Multi-Modal MRI Reconstruction Assisted with Spatial Alignment Network
摘要
在医疗引用中,核磁共振经常要分析不同分辨率的数据,在实际采集过程中,对某一些模态降采样,并利用模态间数据的冗余性,由全采样的模态对这部分模态进行更加有效的重建是一种思路,然而,由于空间不对齐(spatial misalignment),这种重建可能带来负面影响,本文通过引入空间对齐,提升了目标模态的重建质量。
方法
为了实现空间对齐,本文使用了两种方式:
- 衡量源模态图像(reference image)和生成目标模态图像(target image)之间的空间对齐关系,从而扭曲源模态图像。
- 为了解决二者对比度不同的问题,在重建损失(本文中使用了L1范数,除此之外还引入了GAN损失)之外额外引入了配准损失(registration loss)。我看了一下实际上就是在扭曲源模态图像的时候对变换进行优化。
变量定义
定义全采样的MRI图像 x ∈ C N x \in \mathbb{C}^{N} x∈CN,其中 N = N x ∗ N y N=N_x*N_y N=Nx∗Ny,x为负数。
空间对齐网络(Spatial Alignment Network)与 L s m o o t h \mathcal{L}_{smooth} Lsmooth计算
估计一个置换场
Φ
\Phi
Φ,为0填充k空间复原的高分辨率target模态图像和reference模态图像的空间差异计算出。
Φ
∈
R
2
∗
N
\Phi \in \mathbb{R}^{2*N}
Φ∈R2∗N,相当于把x从复数域展开了,所以维数是两倍,具体使用
Φ
\Phi
Φ进行配准的操作是:
A
r
e
f
A
l
i
g
n
=
S
(
Φ
,
x
r
e
f
)
A_{ref}^{Align}=S(\Phi,x_{ref})
ArefAlign=S(Φ,xref)
S
(
Φ
,
x
r
e
f
)
[
p
]
=
x
r
e
f
[
p
+
Φ
[
p
]
]
S(\Phi,x_{ref})[p]=x_{ref}[p+\Phi[p]]
S(Φ,xref)[p]=xref[p+Φ[p]]
而根据这个置换场计算出smooth损失,用以调优这个置换场。配准中的常规操作。
整体算法流程
θ
\theta
θ定义重建算法参数,
w
w
w定义配准参数,
ρ
\rho
ρ定义GAN的生成器参数,
γ
\gamma
γ定义GAN的判别器参数。