Attention-aware non-rigid image registration for accelerated MR imaging

本文介绍了一种基于深度学习的注意力感知框架，可以在全采样和加速磁共振成像中执行非刚性配准，以实现高加速因子下的准确运动估计，同时不会影响诊断图像质量。我们提取局部视觉表示，在多个分辨率级别上构建注册图像对之间的相似度映射，并使用基于Transformer的模块利用远程上下文信息来减轻由于欠采样引起的伪影。我们结合局部和全局依赖性来执行同时的粗略和精细运动估计。本文在101名患者和62名健康受试者进行的心脏和胸部MRI的全采样和加速数据上进行了评估，并分析了运动估计准确性对运动补偿重建下游任务的影响。我们证明了我们的模型可以在不同的采样轨迹（笛卡尔和径向）和加速因子（心脏运动可达16倍，呼吸运动可达30倍）下得到可靠和一致的运动场，并且在定性和定量的运动补偿重建中，相较于传统和最近的基于深度学习的方法，实现了更高的图像质量。代码公开在https://github.com/lab-midas/GMARAFT。

提高MRI图像运动估计的准确性和速度，以实现高加速因子下的运动补偿重建。

引入基于注意力机制和深度学习的框架，利用局部和全局依赖关系同时进行粗略和精细运动估计，并结合变换器模块处理加速因子引起的伪影。

实验结果表明，该模型在多个采样轨迹和加速因子下均能获得可靠和一致的运动场，并在运动补偿重建中实现了优秀的图像质量，比传统和最新的深度学习方法都要好。代码公开可用。

最近的相关研究包括：Learning-based motion estimation for respiratory and cardiac motion compensation in MRI；Deep learning-based motion correction of 3D abdominal MRI；Joint motion estimation and image reconstruction in MRI using a convolutional neural network。