基于复卷积双域级联网络的欠采样磁共振图像重建算法

作者：邱华禄; 蔺素珍^*; 王彦博; 刘峰; 李大威

来源：计算机应用, 2023, 1-8.

• 图像重建
• 欠采样图像
• 复卷积
• 双域学习
• 深度学习

目前，大多数加速磁共振成像（MRI）的重建算法通过对欠采样幅值图像进行重建，利用实值卷积进行特征提取，没有考虑到MRI数据本身是复数的，从而限制了对MRI复值数据的特征提取能力。为了提高对单个切片MRI复值数据特征提取能力，从而重建出细节更为清晰的单切片磁共振（MR）图像，提出复卷积双域级联网络（ComConDuDoCNet）。所提算法将原始欠采样MRI数据作为输入，使用残差特征聚合（RFA）块交替提取MRI数据的双域特征，最终重建出具有清晰纹理细节的MR图像。每个RFA块使用复卷积作为特征提取器。不同域间通过傅里叶变换或逆变换进行级联，并加入数据一致性层实现数据保真。在公开的膝关节数据集上进行大量实验，与双任务双域网络（DDNet）在采样率为20%的三种不同采样掩码下的对比结果表明，在二维高斯采样掩码下，所提出算法的标准均方根误差（NRMSE）指标下降了13.6%，峰值信噪比（PSNR）指标提升了4.3%，结构相似性指数（SSIM）指标提升了0.8%；在泊松采样掩码下，所提出算法的NRMSE指标下降了11.0%,PSNR指标提升了3.5%,SSIM指标提升了0.1%；在径向采样掩码下，所提出算法的NRMSE指标下降了12.3%,PSNR指标提升了3.8%,SSIM指标提升了0.2%。实验结果表明，ComConDuDoCNet结合复卷积与双域学习，能够重建出细节更加清晰、视觉效果更加逼真的MR图像。

• 出版日期2023
• 单位中北大学; 电子工程学院