关于深度MRI重建的回顾性k空间亚取样方案

科学领域:

• 医疗成像医学成像
• 人工智能的人工智能
• 磁共振成像是一种磁共振成像技术.

背景情况:

• 加快的MRI采集减少了扫描时间,但通常会产生不精确的重建,特别是在传统的卡特西安-直线分样采集中.
• 深度学习 (DL) 模型有望提高加速MRI重建质量,但性能可能受到亚样本计划的限制.
• 非直线和非卡尔特斯轨迹在MRI中提供了替代的k空间亚采样策略.

研究的目的:

• 通过使用深度学习 (DL) 模型,研究各种k空间亚样本计划对加速MRI重建质量的影响.
• 为了比较基于DL的重建的性能,在不同的亚抽样策略上进行训练和评估,包括卡特西亚直线,卡特西亚非直线和非卡特西亚轨迹.
• 评估跨方案特定和多方案培训框架的重建质量.

主要方法:

• 使用反复变量网络 (RecurrentVarNet) 作为基于DL的MRI重建架构.
• 从三个数据集中采用了八个不同的方案 (四个卡特斯直线,两个卡特斯非直线,两个非卡特斯) 在各种加速度因子上进行了回顾性亚样本的全样本多线圈k空间数据.
• 在特定方案 (每方案培训/评估模型) 和多方案 (在所有方案中培训单一模型) 框架中进行实验.

主要成果:

• 在非直线次样数据上训练和评估的 RecurrentVarNets 与直线次样数据相比,表现出优异的重建性能,特别是在高加速度系数下.
• 在多方案设置中,与方案特定实验相比,直线次样数据的重建性能有所改善.
• 非直线次采样方案在两个实验框架中始终产生了更高质量的重建.

结论:

• 非直线的k空间子采样方案,当与基于DL的重建方法 (如RecurrentVarNet) 一起使用时,可显著提高加速MRI图像质量.
• 在非直线分样数据上训练的DL模型提供了一个有希望的方法来优化MRI扫描时间,同时保持或提高图像质量.
• 这些发现强调了选择适当的k空间轨迹对于有效的DL-based加速MRI重建的重要性.