Fully Convolutional Slice-to-Volume Reconstruction for Single-Stack MRI

在磁共振成像（MRI）中，切片到体积重建（SVR）是指从由运动干扰的二维切片堆栈中计算重建未知三维磁共振体积的过程。尽管有前途，但当前的SVR方法需要多个切片堆栈才能进行准确的三维重建，导致扫描时间长，限制了它们在胎儿fMRI等时间敏感应用中的使用。在这里，我们提出了一种SVR方法，克服了以前工作的缺点，并在极端切片间运动的情况下产生最先进的重建结果。受单视图深度估计方法的最近成功启发，我们将SVR作为单堆栈运动估计任务进行了表述，并训练了一个完全卷积网络来预测给定切片堆栈的运动堆栈，从而产生了三维重建作为预测运动的副产品。对成人和胎儿大脑的SVR进行了广泛的实验，证明我们的完全卷积方法比以前的SVR方法精度提高了一倍。我们的代码可在github.com/seannz/svr上获得。

提出一种新的slice-to-volume reconstruction (SVR)方法，旨在解决目前SVR方法需要多次扫描以获取准确3D重建的问题，特别是在时间敏感的应用中，如胎儿fMRI。

将SVR作为单堆栈运动估计任务，使用全卷积网络训练预测运动堆栈，从而产生3D重建结果。

论文提出的方法在极端的slice运动情况下，可以产生比当前SVR方法两倍更准确的3D重建结果。实验使用成人和胎儿大脑数据集进行验证，代码已在github上开源。

近期的相关研究包括：'Fast Slice-to-Volume Registration via Kernelized Spatial Context Learning'和'Slice-to-Volume Segmentation by Learning the Latent Representation with Convolutional Neural Networks'等。