基于 sRAKI 的加速冠脉 MRI：一种无需数据库的任意欠采样自一致神经网络 k 空间重建
摘要
本研究旨在使用一种称为自一致鲁棒人工神经网络 k 空间插值（sRAKI）的新型重建算法来加速冠脉 MRI。sRAKI 通过使用受试者特异性神经网络强制线圈自一致性来执行迭代并行成像重建。该方法将 SPIRiT 中的线性卷积扩展为使用卷积神经网络（CNNs）的非线性插值。这些 CNN 针对每次扫描使用扫描特异性的自校准信号（ACS）数据单独训练。重建通过施加学习到的自一致性与数据一致性来完成，使 sRAKI 能够支持随机欠采样模式。为评估，在六名健康受试者中采集了全采样靶向右冠状动脉 MRI。数据被回顾性欠采样，并采用 SPIRiT、-SPIRiT 和 sRAKI 在加速率 2 至 5 下重建。此外，采集了前瞻性欠采样的全心冠脉 MRI 以进一步评估性能。结果表明，与 SPIRiT 和 -SPIRiT 相比，sRAKI 降低了噪声放大和模糊伪影，尤其在靶向数据高加速率时。定量分析显示，sRAKI 改善了归一化均方误差（在加速率 5 时较 SPIRiT 和 -SPIRiT 分别约改善 44% 和 21%）和血管锐度（在加速率 5 时较 SPIRiT 和 -SPIRiT 分别约改善 10% 和 20%）。此外，全心数据显示使用 sRAKI 重建的冠状动脉最锐利，血管锐度较 SPIRiT 和 -SPIRiT 分别改善 11% 和 15%。因此，sRAKI 是一种无需数据库的基于神经网络的重建技术，可进一步以任意欠采样模式加速冠脉 MRI，同时较线性并行成像改善噪声鲁棒性、较 正则化技术改善图像锐度。
引用
@article{arxiv.1907.08137,
title = {Accelerated Coronary MRI with sRAKI: A Database-Free Self-Consistent Neural Network k-space Reconstruction for Arbitrary Undersampling},
author = {Seyed Amir Hossein Hosseini and Chi Zhang and Sebastian Weingärtner and Steen Moeller and Matthias Stuber and Kâmil Uǧurbil and Mehmet Akçakaya},
journal= {arXiv preprint arXiv:1907.08137},
year = {2020}
}
备注
This work has been partially presented at ISMRM Workshop on Machine Learning Part 2 (October 2018), SCMR/ISMRM Co-Provided Workshop (February 2019), IEEE International Symposium on Biomedical Imaging (April 2019) and ISMRM 27$^{th}$ Annual Meeting and Exhibition (May 2019)