DARCS：用于加速三维全心冠状动脉磁共振血管造影的内存高效深度压缩感知重建

三维冠状动脉磁共振血管造影（CMRA）要求重建算法能够显著抑制高度欠采样采集产生的伪影。尽管基于展开的深度重建方法在二维图像重建上取得了最先进的性能，但将其应用于三维重建时，由于训练展开网络需要大量内存而受到阻碍。在本研究中，我们通过采用基于预训练伪影估计网络的稀疏变换，提出了一种内存高效的深度压缩感知方法。其动机在于，当输入图像无伪影时，训练良好的网络估计出的伪影图像是稀疏的；而当输入图像受伪影影响时，则不那么稀疏。因此，伪影估计网络可被用作固有的稀疏变换。所提出的方法命名为基于去混叠正则化的压缩感知（DARCS），在三维 CMRA 加速方面与传统的压缩感知方法、去混叠生成对抗网络（DAGAN）、基于模型的深度学习以及即插即用方法进行了比较。结果表明，与所比较的方法相比，所提出的方法大幅提高了重建质量。此外，该方法对不同欠采样率和噪声水平具有良好的泛化能力。该方法的内存使用量仅为 MoDL 所需的 63%。总之，所提出的方法在减轻内存负担的同时，实现了三维 CMRA 重建质量的提升。