MA-RECON：面向鲁棒快速MRI k空间插值的掩膜感知深度神经网络

从欠采样的k空间数据（位于傅里叶域）中高质量重建MRI图像对于缩短MRI采集时间和确保优越的时间分辨率至关重要。近年来，涌现了大量深度神经网络（DNN）方法，旨在解决与此过程相关的复杂病态逆问题。然而，这些方法对采集过程和解剖分布变化的稳定性不足，暴露了这些DNN架构中相关物理模型泛化能力的缺陷。我们的工作旨在通过引入“MA-RECON”——一种创新的掩膜感知DNN架构及相关训练方法——来增强DNN方法在k空间插值中的泛化能力。与先前方法不同，我们的“MA-RECON”架构不仅编码观测数据，还在模型结构中编码欠采样掩膜。它实施了一种定制的训练方法，利用多种欠采样掩膜生成的数据来激发模型对欠采样MRI重建问题的泛化能力，从而有效表示相关的逆问题，类似于经典的压缩感知方法。通过广泛可用的fastMRI数据集进行的严格测试证实了我们MA-RECON方法的优势。与标准DNN方法和使用欠采样掩膜增强训练的DNN相比，我们的方法表现出更优越的泛化能力，从而在采集过程和解剖分布变化（尤其是病理区域）方面显著提高了鲁棒性。总之，我们的掩膜感知策略有望增强基于DNN的欠采样k空间数据MRI重建方法的泛化能力和鲁棒性。