基于邻居优化的扫描自适应MRI欠采样技术(SUNO)

《IEEE Transactions on Computational Biology and Bioinformatics》:Scan-Adaptive MRI Undersampling Using Neighbor-based Optimization (SUNO)

【字体: 大 中 小 】 时间:2026年01月15日 来源:IEEE Transactions on Computational Biology and Bioinformatics

编辑推荐:

  加速MRI通过优化k空间采样提升成像效率,本文提出SUNO框架联合学习扫描自适应的k空间采样模式和重建模型,采用交替算法优化和最近邻搜索策略,在 knee和brain数据集上实现4倍和8倍加速下的性能提升。

  

摘要:

加速磁共振成像(Accelerated MRI)旨在通过更高效地采集数据来缩短扫描时间,例如通过优化脉冲序列或读出方式来提高每次激发的k空间覆盖范围(例如,回波平面成像),或者利用先进的重建方法收集部分k空间测量数据。特别是随着基于学习的重建方法的发展,通过部分k空间采集(即欠采样)实现加速的方法受到了广泛关注。近期研究探索了从患者群体(或扫描数据)中学习到的自适应采样模式,这些模式能够根据数据集的特定特征进行定制,而不仅仅是依赖通用的方法。基于这一思路,采样技术可以进一步细化到单个扫描的水平,从而捕捉到在基于群体的设计中可能被忽略的受试者或切片特定细节。为了解决这一挑战性问题,我们提出了一个框架,用于从训练集中联合学习适用于扫描的自适应笛卡尔欠采样模式及其对应的重建模型,以实现针对单个扫描的更加个性化的采样。我们采用了一种交替算法来学习采样模式和重建模型,其中利用迭代坐标下降(ICD)方法对训练集中每个样本的自适应k空间采样模式进行离线优化。然后在测试时,通过最近邻搜索从最初获取的低频k空间信息中选择合适的自适应采样模式。我们将所提出的框架(命名为SUNO)应用于fastMRI的多线圈膝关节和脑部数据集,结果表明,在4倍和8倍的加速因子下,该框架在视觉质量和定量指标方面均优于现有的欠采样方法。该框架的代码可在此处获取:https://github.com/sidgautam95/adaptive-sampling-mri-suno。
相关新闻
生物通微信公众号
微信
新浪微博
  • 搜索
  • 国际
  • 国内
  • 人物
  • 产业
  • 热点
  • 科普

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号