基于自监督网络的肝脏磁共振R_(2)^(*)参数图像重建

磁共振等效横向弛豫率(R_(2)^(*))参数量化技术已经被广泛应用于肝脏铁含量的定量测量中.然而铁沉积肝脏R_(2)^(*)参数图像的重建通常会受到噪声的严重影响.随着深度学习的兴起,深度学习网络成为磁共振参数图像重建的重要方法.本文提出了一种模型引导的自监督深度学习网络用于铁沉积肝脏的磁共振R_(2)^(*)参数图像重建.通过利用一种融合噪声校正物理模型和改进的全变分模型的损失函数来引导深度学习网络的自监督训练.网络的训练不需要使用真实的R_(2)^(*)参数图像.同时,相较于传统的参数估计算法,本文提出的方法能够快速准确地重建出铁沉积肝脏R_(2)^(*)参数图像,较好地抑制图像中噪声的影响,校正噪声引起的偏差,同时保持R_(2)^(*)参数图像中的结构细节.