Acelerando Mapeamento de Fase e Mapeamento de Suscetibilidade Quantitativa com Redes Neurais Convolucionais Complexas Específicas de Varredura

Os dados de RMN são intrinsicamente valores complexos, a vasta maioria das estruturas de aprendizado profundo ainda não suportam dados com valores complexos. A maioria das redes de reconstrução separa os componentes real e imaginário em dois canais separados de valores reais, o que pode não ser a forma mais eficiente de representar números complexos. A fase é essencial para muitas aplicações de RMN, incluindo mapeamento de velocidade por contraste de fase e Mapeamento de Suscetibilidade Quantitativa (QSM), etc. Propomos um novo crRAKI, uma rede neural convolucional residual específica para varredura e com valores complexos para dados de RMN 2D/3D para acelerar o mapeamento de fase e QSM. Uma comparação é feita com GRAPPA e rRAKI para a reconstrução acelerada de imagens de RMN.