非笛卡尔 k 空间轨迹与 MR 图像重建网络的混合学习
信号处理
2021-10-26 v1 最优化与控制
摘要
磁共振成像（MRI）中的压缩感知（CS）本质上涉及 1) 在 MR 硬件约束下优化 k 空间中的采样模式，以及 2) 从欠采样 k 空间数据重建图像。近来，深度学习方法使学界能够同时解决这两个问题，尤其是在非笛卡尔采集设定下。本文旨在通过解决现有方法中的一些主要问题来为该领域做出贡献。关于采样模式的学习，我们使用无参数重建（如密度补偿（DCp）非均匀快速傅里叶变换（NUFFT）的伴随算子）进行消融研究，以确保学习到的 k 空间轨迹确实密集采样 k 空间中心。此外，我们通过嵌入基于硬件 MR 约束的投影梯度下降算法来优化这些轨迹。随后，我们引入了一种跨多分辨率运行的新型混合学习方法来联合优化重建网络与 k 空间轨迹，并在 fastMRI 数据集的 T1 和 T2 加权图像上以 20 倍加速因子呈现出改进的图像重建质量，在我们的回顾性研究中 SSIM 分数接近 0.92-0.95。
引用
@article{arxiv.2110.12691,
title = {Hybrid learning of Non-Cartesian k-space trajectory and MR image reconstruction networks},
author = {Chaithya G R and Zaccharie Ramzi and Philippe Ciuciu},
journal= {arXiv preprint arXiv:2110.12691},
year = {2021}
}