LORAKI：用于 k 空间自回归 MRI 重建的自校准循环神经网络
图像与视频处理
2019-04-25 v2 计算机视觉与模式识别
机器学习
摘要
我们提出并评估了一种名为 LORAKI 的新 MRI 重建方法，该方法训练一个自校准的扫描特定循环神经网络（RNN）来恢复缺失的 k 空间数据。GRAPPA、SPIRiT 和 AC-LORAKS 等方法假设 k 空间数据具有平移不变的自回归结构，并且恢复缺失采样所需的扫描特定自回归关系可以从全采样的自校准（ACS）数据中学习。近来，线性 GRAPPA 方法的结构已被转化为一种名为 RAKI 的非线性深度学习方法。RAKI 使用 ACS 数据训练人工神经网络来插值缺失的 k 空间采样，且通常优于 GRAPPA。在本工作中，我们应用类似原理将线性 AC-LORAKS 方法（同时纳入支撑、相位和并行成像约束）转化为一种名为 LORAKI 的非线性深度学习方法。由于 AC-LORAKS 是迭代且卷积的，LORAKI 采取卷积 RNN 的形式。这一新架构可接受广泛的采样模式，若生成合成 ACS 数据，甚至支持无校准采样模式。LORAKI 的性能通过回顾性欠采样脑数据集进行评估，并与其他相关重建方法进行比较。结果表明，与其他扫描特定自校准重建方法（如 GRAPPA、RAKI 和 AC-LORAKS）相比，LORAKI 能提供更优的重建。LORAKI 提供了一种基于 k 空间 RNN 的 MRI 重建深度学习新途径，并实现了图像质量提升与采样灵活性增强。
引用
@article{arxiv.1904.09390,
title = {LORAKI: Autocalibrated Recurrent Neural Networks for Autoregressive MRI Reconstruction in k-Space},
author = {Tae Hyung Kim and Pratyush Garg and Justin P. Haldar},
journal= {arXiv preprint arXiv:1904.09390},
year = {2019}
}