Deep learning within a priori temporal feature spaces for large-scale dynamic MR image reconstruction: Application to 5-D cardiac MR Multitasking
关键字:深度学习在多任务中的应用
问题:高时空精度动态核磁共振成像速度慢,动态MRI问题规模太大使深度学习不能直接获取全局时间关系;
方法:在预先计算的时间特征空间应用深度学习;
效果:与传统迭代方法图像质量相同,但时间快了至少3000倍;
keywords:图像重建,低阶模型,深度学习
深度学习凭借多层神经网络高效表示图像和快速解码图像数据的能力,成为根据不完全图像数据重建静态图像的热门方法;但这种方法忽视了图像序列不同帧间的关系,所以引入跨序列30~200帧分享数据的动态深度学习方法。
MRI领域的两大趋势:
- 为了时间精度所以要求更高的帧率;
- 定义多个时间维度同时对多个动态过程成像,导致每个图像序列的帧数指数级增长;
带来新问题:如何处理更长的图像序列;
限制条件:GPU内存容量、过拟合风险;
有效利用内存的非深度学习方法:线性子空间建模,是低阶建模的变体;更有效的方法:与在特征空间分散恢复相结合(重建过程慢),或用非线性流形建模替代(放弃内存优势);这些方法迭代太慢。
方法描述
结合线性子空间建模的内存效率,和非线性流形建模的质量;使用深度学习恢复特定主体线性子空间中非线性流形上的特征图。
Contribution
- 新的动态MR图像重建深度学