基于深度学习的 MRI 欠采样模式优化

在压缩感知 MRI（CS-MRI）中，为加速扫描而对 k 空间测量进行欠采样。CS-MRI 存在两个基本问题：（1）在何处采样；（2）如何重建欠采样扫描。本文针对 2D 笛卡尔采样的特定情形，同时使用一种称为 LOUPE（基于学习的欠采样模式优化，Learning-based Optimization of the Under-sampling PattErn）的新型端到端学习框架来解决这两个问题。我们的方法在一组全分辨率 MRI 扫描上训练神经网络模型，这些扫描在 2D 笛卡尔网格上被回顾性欠采样并送入抗混叠（即重建）模型计算重建，进而与输入比较。该公式实现了给定稀疏度水平下数据驱动的优化欠采样模式。实验中，我们证明 LOUPE 优化的欠采样掩模依赖于数据，随成像解剖结构显著变化，且在不同重建方法下表现良好。我们给出了使用大规模公开膝关节 MRI 数据集的实证结果，LOUPE 在不同条件下均提供了更优的重建质量。即便在激进的 8 倍加速率下，LOUPE 的重建仍包含大量被其他掩模与重建方法遗漏的解剖细节。我们的实验还显示 LOUPE 产生的优化欠采样模式在脑与膝关节 MRI 扫描间存在显著差异。我们的代码已在 https://github.com/cagladbahadir/LOUPE/ 免费提供。