Accelerated Patient-specific Non-Cartesian MRI Reconstruction using Implicit Neural Representations
作者: Di Xu, Hengjie Liu, Xin Miao, Daniel O'Connor, Jessica E. Scholey, Wensha Yang, Mary Feng, Michael Ohliger, Hui Lin, Dan Ruan, Yang Yang, Ke Sheng
发布时间: 2025-03-10
来源: arxiv
研究方向: 医学图像处理与重建
主要内容
本文提出了一种基于隐式神经网络表示（k-GINR）的加速患者特异性非笛卡尔MRI重建方法。该方法通过在k空间直接进行重建，避免了图像域重建中常见的伪影和噪声问题，同时提高了重建速度和精度。
主要贡献
1. 提出了一种基于隐式神经网络表示的加速MRI重建方法。
2. 使用生成对抗网络（GAN）提高隐式神经网络表示的收敛速度和准确性。
3. 通过两阶段训练方法实现患者特异性优化，提高了重建质量。
4. 在非笛卡尔k空间重建方面取得了显著的性能提升。
研究方法
1. 隐式神经网络表示（INR）
2. 生成对抗网络（GAN）
3. 两阶段训练方法：第一阶段在现有患者队列上进行监督训练，第二阶段在个体患者特异性数据上进行自监督优化。
4. k空间处理
5. 非笛卡尔k空间采样
实验结果
在UCSF StarVIBE T1加权肝脏数据集上进行的实验表明，k-GINR在加速MRI重建方面优于图像域深度学习方法（如Deep Cascade CNN）和压缩感知方法。特别是在高加速率下（例如20倍），k-GINR的性能优势更为明显。
未来工作
未来工作将包括：开发更高分辨率的重建方法，提高推理速度，以及将k-GINR应用于更广泛的临床应用。