高空间分辨率非笛卡尔采样的内存高效模型基于深度学习的重建
摘要：基于模型的深度学习（MBDL）在三维非笛卡尔MRI采集的重建中面临着挑战，原因是传统反向传播算法需要极高的GPU内存需求（>250 GB），主要是因为模型中嵌入了完整体积的数据一致性步骤。本研究旨在开发和应用一种内存高效的方法，称为块级学习，该方法结合了梯度检查点和基于补丁的训练，以实现快速高质量的三维非笛卡尔重建。在单次展开中，块级学习将输入体积分解为较小的补丁，对每个补丁进行梯度检查点，通过神经网络正则化器迭代地传递每个补丁，然后从这些输出补丁中重建完整体积，以实现数据一致性。此方法在训练过程中适用于展开间。块级学习通过将GPU内存绑定到用户选择的补丁大小而不是整个体积，显著减少了内存需求。该算法被用来训练一个MBDL架构，以重建高度欠采样的1.25mm等轴性肺磁共振血管成像体积，矩阵尺寸从300-450 x 200-300 x 300-450变化，在单个GPU上进行。我们将块级学习重建与L1小波压缩重建和代理参考图像进行了比较。主要结果：与L1小波压缩感知相比，块级学习的MBDL显著提高了图像质量，同时减少了平均重建时间38倍。意义：块级学习允许将MBDL应用于高空间分辨率的三维非笛卡尔数据集，提高图像质量，并相对于传统迭代方法显著减少了重建时间。
作者：Zachary Miller, Ali Pirasteh, Kevin M. Johnson
论文ID：2204.13862
分类：Medical Physics
分类简称：physics.med-ph
提交时间：2023-04-05