基于波编码模型深度学习的联合重建高度加速成像
图像与视频处理
2022-02-08 v1 机器学习
摘要
目的：提出一种波编码模型深度学习（wave-MoDL）策略，用于高度加速的 3D 成像与联合多对比度图像重建，并进一步扩展该方法以利用带 T2 准备脉冲的交错 look-locker 采集序列（3D-QALAS）实现快速定量成像。方法：近期提出的 MoDL 技术成功将基于卷积神经网络（CNN）的正则化器以少量网络参数融入基于物理的并行成像重建。Wave-CAIPI 是一种新兴并行成像方法，通过在读出期间于相位编码与层编码方向施加正弦梯度来更好利用 3D 线圈灵敏度分布，从而加速成像。在 wave-MoDL 中，我们提出将波编码策略与展开网络约束结合，以加速采集并同时强制波编码数据一致性。我们进一步扩展 wave-MoDL 以重建具有并行成像受控混叠（CAIPI）采样模式的多对比度数据，利用多图像间相似性提升重建质量。结果：wave-MoDL 可在 16 倍加速下以 1 mm 分辨率实现 47 秒的 MPRAGE 采集。对于定量成像，wave-MoDL 允许在 12 倍加速下以 1 mm 分辨率进行 2 分钟的 T1、T2 与质子密度映射采集，并据此合成对比加权图像。结论：wave-MoDL 支持快速 MR 采集与高保真图像重建，并通过将展开神经网络引入 wave-CAIPI 重建，或可推动临床与神经科学应用。
引用
@article{arxiv.2202.02814,
title = {Wave-Encoded Model-based Deep Learning for Highly Accelerated Imaging with Joint Reconstruction},
author = {Jaejin Cho and Borjan Gagoski and Taehyung Kim and Qiyuan Tian and Stephen Robert Frost and Itthi Chatnuntawech and Berkin Bilgic},
journal= {arXiv preprint arXiv:2202.02814},
year = {2022}
}
备注
8 figures, 1 table