联合多对比变分网络重建（jVN）及其在快速 2D 与 3D 成像中的应用
图像与视频处理
2019-10-09 v1 医学物理
摘要
目的：通过学习一个联合重建多种临床对比图像的联合变分网络，改善高度加速的多通道 MRI 数据的图像质量。方法：我们的多对比采集数据被嵌入到变分网络架构中，其中通过混合输入对比来交换共享的解剖信息。跨成像对比的互补 k 空间采样与 Bunch-Phase/Wave-Encoding 被用于数据采集，以改善高加速下的重建。在 3T 下，我们的跨 T1w、T2w 和 T2-FLAIR 加权脑扫描的联合变分网络方法在 R=6（2D）和 R=4x4（3D）加速下进行了回顾性欠采样测试。还对 3D 数据进行了前瞻性加速，其中三个对比下全脑覆盖、1 mm 各向同性分辨率的组合采集时间少于三分钟。结果：在所有测试数据集中，与相应的单对比重建相比，我们的联合多对比网络更好地保留了精细解剖细节并减少了图像模糊。通过互补 k 空间采样和 Bunch-Phase/Wave-Encoding 也获得了图像质量的提升，其协同组合产生了总体最佳性能，如示例切片和定量误差指标所示。结论：通过利用联合重建扫描间共享的解剖结构，我们的联合多对比方法学习了更有效的正则化器，有助于保留自然图像外观并避免过度平滑。当与先进编码技术协同结合时，性能进一步提升，实现了高达 R=16 倍的加速且图像质量良好。这应有助于为非常快速的高分辨率脑检查铺平道路。
引用
@article{arxiv.1910.03273,
title = {Joint multi-contrast Variational Network reconstruction (jVN) with application to rapid 2D and 3D imaging},
author = {Daniel Polak and Stephen Cauley and Berkin Bilgic and Enhao Gong and Peter Bachert and Elfar Adalsteinsson and Kawin Setsompop},
journal= {arXiv preprint arXiv:1910.03273},
year = {2019}
}