Adaptive Sampling of k-Space in Magnetic Resonance for Rapid Pathology Prediction

磁共振（MR）成像虽然已被证明具有诊断实用性，但仍然是一种在人群层面上进行疾病监测不可及的成像模式。导致MR不可用的主要因素是长时间的扫描。MR扫描仪在傅里叶空间中收集与潜在解剖学相关的测量数据，也称为k空间。创建高保真度图像需要收集大量这样的测量数据，从而增加了扫描时间。传统上，为了加速MR扫描，图像重建是首选的方法，从欠采样的k空间数据中重建图像。然而，最近的研究表明，可以绕过图像重建，直接从学习到的k空间测量的更稀疏的子集中学习疾病检测。在这项工作中，我们提出了自适应采样MR（ASMR），这是一种学习自适应策略以顺序选择k空间样本来优化目标疾病检测的采样方法。在跨足膝盖、脑部和前列腺MR扫描的8个病理分类任务中的6个任务中，ASMR仅使用8%的k空间，就能达到完全采样分类器性能的2%以内，并且优于以前的k空间采样的最新技术，如EMRT、LOUPE和DPS。

本文旨在解决磁共振成像（MRI）扫描时间过长，难以在疾病监测的人口层面上使用的问题。

本文提出了自适应采样方法（ASMR），通过学习自适应策略来选择k空间采样，以优化目标疾病检测。相比传统的图像重建方法，ASMR直接从稀疏的k空间数据中学习疾病检测，可以在只使用8%的k空间时达到与完全采样分类器相似的性能。

本文在膝盖、大脑和前列腺MR扫描的8个病理分类任务中，ASMR在使用只有8%的k空间时，达到了与完全采样分类器相似的性能，并且在EMRT、LOUPE和DPS等k空间采样的先前最先进的工作中表现更好。此外，本文使用的数据集和代码已经公开。

在这个领域中，最近的相关研究包括EMRT、LOUPE和DPS等k空间采样方法。