用于无参考 EPI 鬼影校正的 k 空间深度学习

EPI 中的奈奎斯特鬼影伪影源于偶数与奇数回波之间的相位失配。然而，使用参考扫描的传统校正方法常产生错误结果，尤其在高频 MRI 中由于非线性和时变局部磁场变化。最近研究表明，鬼影校正问题可重新表述为 k 空间插值问题，可用结构化低秩 Hankel 矩阵方法求解。另一近期工作表明，数据驱动的 Hankel 矩阵分解可重新表述为展现与深度卷积神经网络类似的结构。通过协同结合这些发现，我们提出一种 k 空间深度学习方法，可在加速和非加速 EPI 采集中无需参考扫描即刻校正相位失配。为利用偶数和奇数相位方向冗余，k 空间数据被划分为配置偶数和奇数相位编码的两个通道。线圈间冗余也通过将多线圈 k 空间数据堆叠为额外输入通道来利用。然后，我们的 k 空间鬼影校正网络被训练以学习插值核来估计缺失的虚拟 k 空间数据。对于加速 EPI 数据，同一神经网络被训练以直接从鬼影和欠采样中估计缺失 k 空间数据的插值核。使用 3T 和 7T 活体数据的重建结果表明，所提方法在图像质量上优于现有方法，且计算时间更快。所提用于 EPI 鬼影校正的 k 空间深度学习高度鲁棒且快速，并可结合加速，从而可作为高频 MRI 中有前景的校正工具而无需改变当前采集协议。