RECONSTRUCTION AND SEGMENTATION OF PARALLEL MR DATA USING IMAGE DOMAIN DEEP-SLR.
RECONSTRUCTION AND SEGMENTATION OF PARALLEL MR DATA USING IMAGE DOMAIN DEEP-SLR.
复制标题
DOI：
10.1109/isbi48211.2021.9434056
复制
发表时间：
2021-04
期刊：
影响因子：
--
通讯作者：
Jacob M
中科院分区：
文献类型：
--
作者：
Pramanik A;Jacob M
本文的主要工作是提出了一种新的并行磁共振(PMRI)脑数据联合重建和分割框架。提出了一种用于欠采样PMRI数据无定标恢复的图像域深度网络。所提出的方法是基于深度学习(DL)的基于局部低阶的方法的推广，用于包括CLEAR的未校准PMRI恢复。由于与基于k空间的方法相比，图像域方法利用了额外的湮灭关系，因此我们期望它能提供更好的性能。为了最大限度地减少欠采样伪影造成的分割误差，我们将所提出的方案与分割网络相结合，并以端到端的方式对其进行训练。除了减少分割误差外，该方法还通过减少过拟合来提高重建性能；与独立训练的重建网络相比，重建图像显示出更少的模糊和更清晰的边缘。
The main focus of this work is a novel framework for the joint reconstruction and segmentation of parallel MRI (PMRI) brain data. We introduce an image domain deep network for calibrationless recovery of undersampled PMRI data. The proposed approach is the deep-learning (DL) based generalization of local low-rank based approaches for uncalibrated PMRI recovery including CLEAR. Since the image domain approach exploits additional annihilation relations compared to k-space based approaches, we expect it to offer improved performance. To minimize segmentation errors resulting from undersampling artifacts, we combined the proposed scheme with a segmentation network and trained it in an end-to-end fashion. In addition to reducing segmentation errors, this approach also offers improved reconstruction performance by reducing overfitting; the reconstructed images exhibit reduced blurring and sharper edges than independently trained reconstruction network.
登录
查看更多内容
影响因子：
3.3
作者：
Uecker, Martin;Lai, Peng;Murphy, Mark J.;Virtue, Patrick;Elad, Michael;Pauly, John M.;Vasanawala, Shreyas S.;Lustig, Michael
通讯作者：
Lustig, Michael
影响因子：
10.6
作者：
Pramanik A;Aggarwal HK;Jacob M
通讯作者：
Jacob M
影响因子：
3.3
作者：
Griswold, MA;Jakob, PM;Haase, A
通讯作者：
Haase, A
影响因子：
14.9
作者：
Jacob M;Mani MP;Ye JC
通讯作者：
Ye JC
影响因子：
3.3
作者：
Pruessmann, KP;Weiger, M;Boesiger, P
通讯作者：
Boesiger, P