ACCELERATING MAGNETIC RESONANCE IMAGING VIA DEEP LEARNING

利用深度学习加速MRI

本文是第一篇利用DL加速MRI的文章。
CNN用来学习k空间全采样的高质量MRI与利用零填充的欠采样的MRI之间的映射。

加速MRI主要有以下几种方法

1)基于物理的快速成像序列
2)基于硬件的并行成像
3)基于降阶样本MR图像重建的信号处理。
前两种方法已经商用，第三种方法基于信号处理的方法，在不受物理、生理和硬件限制的情况下，探索MR图像的先验信息，并利用这些信息对采样不足的k空间测量数据进行正则化重构。稀疏性是由于压缩感知(CS)的出现而出现的一种常用的先验信息，目前还在考虑其他先验，如低秩[3,4]、广义序列(GS)模型[5]等。所使用的先验信息大致可分为自适应信息和非自适应信息。例如，全变分和小波变换是非自适应的[6];字典学习和数据驱动的紧密框架是自适应的[7]。一般来说，自适应先验可以捕获更多的结构，而非自适应先验的计算效率更高。然而，尽管上述方法取得了很大的成功，但很容易发现，它们只是直接从要重建的图像中提取先验信息，或者只涉及很少的参考图像。考虑到不同人之间同一器官/组织的解剖信息与每天获取的大量图像相似，收集大量参考图像并学习离线先验模型有助于在线快速成像。
本文提出了一种离线卷积神经网络来学习零填充和全采样MR图像之间的端到端映射。该网络不仅能够恢复MR图像的细节和精细结构，而且能够与任何在线重建算法兼容，提高成像的效率和效率。

方法

u为全采样数据，f为欠采样数据：