深度学习的快速磁共振成像及欠采样轨迹设计

目的 快速成像一直是磁共振成像（MRI）技术中的焦点之一，现有多通道并行成像和部分k空间数据重建都是通过减少梯度编码步数来降低数据的获取时间，两者结合起来更能有效地提高扫描速度。然而，在欠采样倍数加高的情况下，依然有很严重的混叠伪影，因此研究一种在保证成像精度的前提下加快成像速度的方法尤为重要。方法 基于卷积神经网络的磁共振成像（CNN-MRI）方法利用大量现有的全采样多通道数据的先验信息，设计并线下训练一个深度卷积神经网络，学习待重建图像与全采样图像之间的映射关系，从而在线上成像时，欠采样所丢失数据能被训练好的网络进行预测。本文探讨了对于深度学习磁共振成像的可选择性欠采样方式，提出了一种新的欠采样轨迹方案。为了判断本文方法的性能，用峰值信噪比（PSNR）、结构相似度（SSIM）以及均方根差（RMSE）来作为衡量的指标。结果 实验结果表明，所提出欠采样方案的综合性能要优于传统欠采样轨迹，PSNR要高出12 dB，SSIM高出近0.1，RMSE要降低0.020.04左右。此外重建结果还与经典的并行重建方法GRAPPA（geneRalized autocalibrating partially parallel acquisitions）、SPIRiT（iterative self-consistent parallel imaging reconstruction from arbitrary k-space）以及SAKE（simultaneous autocalibrating and k-space estimation）作比较，从视觉效果以及各项量化指标得出本文方法能重建出更准确的结果，并且重建速度要快5倍以上。结论 深度学习方法能很好地在线下训练时从大量数据集中提取并学习到有价值的先验信息，所以在线上测试时能在较短时间内重建出优于经典算法的高质量结果；提出的1维低频汉明滤波欠采样方案则有利于提升该网络的性能。

Fast magnetic resonance imaging with deep learning and design of undersampling trajectory