循环变分网络：一种应用于加速MRI重建任务的深度学习逆问题求解器

磁共振成像能够产生人体解剖与生理的详细图像，可辅助医生诊断与治疗肿瘤等病变。然而，MRI采集时间很长，易产生患者运动伪影，并限制其提供动态治疗的潜力。并行成像与压缩感知等传统方法通过利用多接收线圈采集的欠采样MRI数据重建图像，从而提高了MRI采集速度。深度学习与并行成像和压缩感知技术的最新进展，有望从高度加速的MRI数据中产生高保真重建。本工作中，我们提出一种新颖的基于深度学习的逆问题求解器，应用于加速MRI重建任务，称为循环变分网络（RecurrentVarNet），其利用了卷积循环神经网络与展开算法求解逆问题的特性。RecurrentVarNet由多个循环块组成，每个块负责展开变分优化方案的一次迭代，用于求解多线圈加速MRI重建的逆问题。与传统方法相反，优化步骤在观测域（$k$-空间）而非图像域执行。RecurrentVarNet的每个块细化观测到的$k$-空间，并包含一个数据一致性项和一个循环单元，该单元以学习到的隐藏状态和前一块的预测作为输入。我们提出的方法在公开多线圈脑数据集的5倍和10倍加速数据上取得了新的最先进的定性与定量重建结果，优于以往的传统方法和基于深度学习的方法。