NexOP: L'apprendimento profondo ottimizza il campionamento e la ricostruzione per la risonanza magnetica a basso campo

I ricercatori hanno introdotto NexOP, un framework di deep learning che ottimizza congiuntamente il campionamento dello spazio k e la ricostruzione delle immagini per la risonanza magnetica a basso campo. La risonanza magnetica a basso campo offre sistemi portatili e a basso costo, ma soffre di un basso rapporto segnale-rumore (SNR), che limita la qualità diagnostica. Un metodo comune per aumentare l'SNR è l'acquisizione ripetitiva del segnale (NEX), ma ciò prolunga i tempi di scansione. Mentre i lavori precedenti ottimizzavano il campionamento dello spazio k, la dimensione NEX veniva trascurata, utilizzando tipicamente una singola maschera di campionamento per tutte le ripetizioni. NexOP ottimizza le probabilità di densità di campionamento nell'intero dominio spazio k-NEX esteso, sotto un vincolo di budget di campionamento fisso. Il framework è progettato per ambienti a basso SNR e mira a migliorare la qualità dell'immagine senza aumentare la durata della scansione. Il lavoro è dettagliato in un preprint su arXiv (ID: 2605.11583).