基于投影的 K 空间 Transformer 网络用于训练样本有限的欠采样径向 MRI 重建

近期深度学习与压缩感知的结合实现了欠采样 MR 图像的快速重建，并在笛卡尔 k 空间轨迹上取得了最先进的性能。然而，诸如径向轨迹等非笛卡尔轨迹在网络训练的每次迭代中都需要变换到笛卡尔网格上，减慢了训练过程并在训练中造成不便与延迟。网络中多次非均匀傅里叶变换抵消了深度学习快速推理的优势。当前方法通常要么采用图像到图像网络，要么在网络训练前对非笛卡尔轨迹进行网格化以避免重复的网格化过程。然而，图像到图像网络无法确保重建图像中的 k 空间数据一致性，且非笛卡尔 k 空间预处理导致的网格化误差无法通过网络训练补偿。受 Transformer 网络处理序列转换任务中长程依赖的启发，我们提出基于采集时间顺序将径向辐条重排为序列数据，并使用 Transformer 从已采集辐条预测未采集的径向辐条。我们提出了新颖的数据增强方法，从有限数量的受试者生成大量训练数据。该网络可生成用于不同解剖结构。实验结果表明所提框架相比最深度神经网络具有优越性能。