利用深度学习估计的 ESPIRiT Maps 对均匀欠采样多通道 MR 数据进行无校准重建
信号处理
2022-10-28 v2
摘要
目的：开发一种真正的无校准重建方法，通过深度学习从均匀欠采样多通道 MR 数据中导出 ESPIRiT maps。方法：ESPIRiT 是一种常用的并行成像重建技术，它利用能有效表示线圈灵敏度信息的 ESPIRiT maps 从欠采样 MR k-space 数据中生成图像。准确的 ESPIRiT map 估计需要高质量的线圈灵敏度校准或自校准数据。我们提出了一种基于 U-Net 的深度学习模型，直接从均匀欠采样多通道多切片 MR 数据中估计多通道 ESPIRiT maps。该模型使用来自同一 MR 接收线圈系统的全采样多切片轴向脑部数据集进行训练。为了利用每个数据集可用的受试者-线圈几何参数，训练过程对原始位置的 ESPIRiT maps 及其在标准参考多切片轴向堆栈中对应位置的 ESPIRiT maps 施加混合损失。使用公开可用的 T1 加权脑部和心脏数据评估了该方法的性能。结果：所提出的模型从均匀欠采样 k-space 数据中稳健地预测了多通道 ESPIRiT maps。它们与直接从 24 条连续中心 k-space 线计算出的参考 ESPIRiT maps 高度可比。此外，即使在高加速因子下，它们也带来了出色的 ESPIRiT 重建性能，表现出与使用参考 ESPIRiT maps 相似水平的误差和伪影。结论：开发了一种新的深度学习方法，直接从均匀欠采样 MR 数据中估计 ESPIRiT maps。它通过从线圈和协议特定数据中学习，为无校准并行成像重建提供了一种通用策略。
引用
@article{arxiv.2210.14481,
title = {Calibrationless Reconstruction of Uniformly-Undersampled Multi-Channel MR Data with Deep Learning Estimated ESPIRiT Maps},
author = {Junhao Zhang and Zheyuan Yi and Yujiao Zhao and Linfang Xiao and Jiahao Hu and Christopher Man and Vick Lau and Shi Su and Fei Chen and Alex T. L. Leong and Ed X. Wu},
journal= {arXiv preprint arXiv:2210.14481},
year = {2022}
}