Imagerie du genou à 0,05 T avec reconstruction par super-résolution basée sur l'apprentissage profond

Motivation : Il y a eu un développement significatif dans l'IRM à très faible champ (ULF) pour des applications d'extrémité à faible coût, sans blindage et en point de soins. Cependant, la qualité de l'image reste médiocre et les temps de scan sont longs. Objectif(s) : Nous visons à améliorer la rapidité et la qualité de l'IRM ULF du genou en utilisant un échantillonnage de Fourier partiel 2D et la formation d'images par apprentissage profond. Approche : Un cadre d'acquisition rapide et une reconstruction par apprentissage profond pour accélérer l'IRM du genou à 0,05 Tesla ont été proposés. Résultats : L'apprentissage profond 3D tire parti des données anatomiques du genou à haut champ pour améliorer la qualité de l'image, réduire les artefacts et le bruit, et améliorer la résolution spatiale. Impact : La méthode surmonte efficacement la barrière du faible signal, reconstruisant les structures anatomiques fines à 0,05 Tesla qui sont reproductibles au sein des sujets et cohérentes entre deux protocoles. Elle permet une IRM ULF rapide et de haute qualité pour des applications potentielles en point de soins.