通过机器学习与联合重建协同实现高度加速的多发 EPI
图像与视频处理
2019-03-26 v3 机器学习
机器学习
摘要
目的：引入一种结合机器学习（ML）与基于物理的图像重建框架，以实现无导航器的高度加速多发回波平面成像（msEPI），并展示其在高分辨率结构和扩散成像中的应用。方法：单发 EPI 是一种高效的编码技术，但由于严重的畸变伪影和模糊而不适用于高分辨率成像。虽然 msEPI 可减轻这些伪影，但由于发间变化引起的相位失配阻碍了多发数据合并为单幅图像，高质量 msEPI 一直难以实现。我们采用深度学习获得伪影最小的临时图像，从而估计由发间变化引起的图像相位变化。随后将这些变化纳入联合虚拟线圈灵敏度编码（JVC-SENSE）重建中，以利用所有发的数据并改进 ML 解。结果：我们的 ML + 物理联合方法利用 2 个 EPI 发实现了平面内加速倍数 Rinplane × MultiBand (MB) = 8×2 的多回波成像加速，从而可在 1×1×3 mm³ 分辨率下通过 8.3 秒采集获得全脑 T2 和 T2* 参数图。这也使得在 Rinplane × MB = 9×2 加速下使用 5 发的高几何保真度高分辨率扩散成像成为可能。为达成这些，我们将最先进的 MUSSELS 重建技术扩展到同步多层（SMS）编码，并用作我们 ML 网络的输入。结论：ML 与 JVC-SENSE 的结合实现了比以往更高加速且使用更少发数的无导航器 msEPI，并降低了对端到端 ML 方法泛化性差和接受度低的脆弱性。
引用
@article{arxiv.1808.02814,
title = {Highly Accelerated Multishot EPI through Synergistic Machine Learning and Joint Reconstruction},
author = {Berkin Bilgic and Itthi Chatnuntawech and Mary Kate Manhard and Qiyuan Tian and Congyu Liao and Stephen F. Cauley and Susie Y. Huang and Jonathan R. Polimeni and Lawrence L. Wald and Kawin Setsompop},
journal= {arXiv preprint arXiv:1808.02814},
year = {2019}
}