深度学习网络在快速磁共振成像(MRI)重建中显示出令人鼓舞的结果。在我们的工作中,我们开发了深层网络,以进一步提高重建的定量和感知质量。首先,我们提出了Reconsynergynet(RSN),该网络结合了在图像和傅立叶域上独立运行的互补益处。对于单线采集,我们引入了深层级联RSN(DC-RSN),这是一个与数据保真度(DF)单位交织在一起的RSN块的级联。其次,我们通过协助T1加权成像(T1WI)的帮助,这是T2加权成像(T2WI)的DC-RSN的结构恢复,这是一个短时间采集时间的序列。通过日志功能(高尔夫)融合的梯度为DC-RSN提供T1援助。此外,我们建议感知改进网络(PRN)来完善重建以获得更好的视觉信息保真度(VIF),这是一种与放射科医生对图像质量高度相关的指标。最后,对于多线圈采集,我们提出了可变拆分RSN(VS-RSN),深层块,每个块,包含RSN,多圈DF单元和加权平均模块。我们广泛验证了单线和多线圈采集的模型DC-RSN和VS-RSN,并报告最先进的性能。我们在FastMRI中获得了0.768、0.923、0.878的SSIM,单线圈-4X,多螺旋-4X和多型圈-8X的SSIM为0.878。我们还进行了实验,以证明基于高尔夫的T1援助和PRN的功效。
translated by 谷歌翻译