利用SCAMPI在无数据库神经网络重建欠采样MRI中提升质量与速度

目的：我们提出SCAMPI（用于图像重建的稀疏约束深度磁共振先验应用，Sparsity Constrained Application of deep Magnetic resonance Priors for Image reconstruction），一种无需在数据集上预先训练的MRI重建深度神经网络。它将深度图像先验方法扩展为多域、强制稀疏的损失函数，以比先前报道的方法更高的图像质量和更快的收敛速度。方法：对来自FastMRI数据集的二维MRI数据，在相位编码方向进行笛卡尔欠采样，针对单线圈和多线圈数据在不同加速率下重建。结果：我们的架构性能与最先进的压缩感知方法和ConvDecoder（另一种用于二维MRI重建的无训练神经网络）进行比较。SCAMPI在减少欠采样伪影和在多线圈成像中给出更低误差指标方面优于它们。与ConvDecoder相比，U-Net架构结合精细设计的损失函数允许在更高图像质量下快得多的收敛。SCAMPI可在无需线圈灵敏度分布显式知识的情况下重建多线圈数据。此外，它是重建欠采样单线圈k空间数据的新工具。结论：我们的方法避免了对数据集特征的过拟合（这可能发生在基于数据库训练的神经网络中），因为网络参数仅在重建数据上调整。它比基准无训练神经网络方法允许更好的结果和更快的重建。