使用展开式深度学习模型重建冠脉 MRA 中欠采样 3D 非笛卡尔图像导航器

目的：使用展开式深度学习（DL）模型快速重建欠采样的 3D 非笛卡尔基于图像的导航器（iNAVs），用于冠状动脉磁共振血管成像（CMRA）中的非刚性运动校正。方法：训练一个展开式网络以重建作为 CMRA 序列一部分采集的逐心跳 3D iNAVs。该展开式模型结合非均匀 FFT 算子执行数据一致性操作，正则化项由基于近端梯度下降算法的卷积神经网络（CNN）学习。训练集包含来自 7 名不同受试者和 11 次扫描的 6,000 个 3D iNAVs，采用变密度（VD）锥轨迹采集。测试时，使用展开式模型重建来自另外 4 名受试者的 3D iNAVs。为验证重建精度，将基于 DL 模型的 3D iNAVs 得到的全局与局部运动估计与用 $\textit{l}_{1}$-ESPIRiT 重建的 3D iNAVs 提取的估计进行比较。然后，评估使用 $\textit{l}_{1}$-ESPIRiT 和基于 DL 模型的 3D iNAVs 经自动聚焦运动校正的的高分辨率冠脉 MRA 图像的差异。结果：使用基于 DL 模型的方法和常规 $\textit{l}_{1}$-ESPIRiT 重建的 3D iNAVs 产生相似的全局与局部运动估计，并提供同等的冠脉图像质量。展开式网络的重建耗时仅为 $\textit{l}_{1}$-ESPIRiT 的 CPU 和 GPU 实现的几分之一（分别提速 20 倍和 3 倍）。结论：我们开发了一种深度神经网络架构来重建欠采样的 3D 非笛卡尔 VD 锥 iNAVs。我们的方法减少了 3D iNAVs 的重建时间，同时保留了其所提供的非刚性运动信息的精度以供校正。