$k$-$t$ CLAIR: 动态并行 MR 图像重构的自一致引导多先验学习
原文中文,约200字,阅读约需1分钟。发表于: 。通过自一致性引导的多先验学习框架 $k$-$t$ CLAIR,利用高度欠采样数据中的时空相关性来加速动态并行磁共振成像重建,$k$-$t$ CLAIR 通过在迭代过程中学习 $x$-$t$、$x$-$f$ 和 $k$-$t$ 领域中的多个互补先验逐步重建可靠图像,实验结果表明 $k$-$t$ CLAIR 在心脏影像重建方面具有高质量的定量和定性性能。
该文介绍了基于神经网络的机器学习技术在MRI领域的应用,包括多线圈信息的补充与研究,线性和非线性方法,改进正则化器的图像域方法和基于神经网络的更好插值策略的k空间方法。同时,讨论了相关问题和未解决的问题,以及近期为社区制定开放数据集和基准的努力。