Progressive Feature Reconstruction and Fusion to Accelerate MRI Imaging: Exploring Insights across Low, Mid, and High-Order Dimensions
Notice bibliographique
Résumé
Magnetic resonance imaging (MRI) faces ongoing challenges associated with prolonged acquisition times and susceptibility to motion artifacts. Compressed Sensing (CS) principles have emerged as a significant advancement, addressing these issues by subsampling k-space data points and enabling rapid imaging. Nevertheless, the recovery of intricate details from under-sampled data remains a complex endeavor. In this study, we introduce an innovative deep learning approach tailored to the restoration of high-fidelity MRI images from under-sampled k-space data. Our method employs a cascaded reconstruction strategy that progressively restores hierarchical features and fuses them to achieve the final reconstruction. This cascade encompasses low, intermediate, and high orders of reconstruction, which is followed by a return through intermediate and low orders. At distinct reconstruction stages, we introduce a novel reconstruction block to recapture diverse frequency information crucial for image reconstruction. The other core innovation of our proposal lies in a fusion algorithm that harmonizes results from various reconstruction tiers into the final MRI image. Our methodology is validated using two distinct datasets. Notably, our algorithm achieves impressive PSNR values of 32.60 and 31.02 at acceleration factors of 4× and 8× in the FastMRI dataset along with SSIM scores of 0.818 and 0.771, outperforming current state-of-the-art algorithms. Similarly, on the Calgary–Campinas dataset, our algorithm achieves even higher PSNR values, reaching 37.68 and 33.44, which is accompanied by substantial SSIM scores of 0.954 and 0.901. It is essential to highlight that our algorithm achieves these remarkable results with a relatively lower parameter count, underscoring its efficiency. Comparative analyses against analogous methods further emphasize the superior performance of our approach, providing robust evidence of its effectiveness.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».