[论文解读] Motion Corrected Multishot MRI Reconstruction Using Generative Networks with Sensitivity Encoding

Muhammad Usman, Farooq, Muhammad Umar+3 more|arXiv (Cornell University)|Feb 20, 2019

Advanced MRI Techniques and Applications参考文献 48被引用 10

一句话总结

本文提出一种基于生成对抗网络的共轭梯度SENSE（CG-SENSE）框架，用于多期相磁共振成像（MRI）的回顾性运动伪影校正。该方法首先通过CG-SENSE对运动污染的k空间数据进行重建，再利用生成对抗网络（GAN）对重建图像进行精炼，以消除伪影。与迭代方法相比，该方法在计算时间上减少了100倍以上，同时在不同运动水平、切片数和编码轨迹下均表现出优异的鲁棒性，实现了最先进的图像质量。

ABSTRACT

Multishot Magnetic Resonance Imaging (MRI) is a promising imaging modality that can produce a high-resolution image with relatively less data acquisition time. The downside of multishot MRI is that it is very sensitive to subject motion and even small amounts of motion during the scan can produce artifacts in the final MR image that may cause misdiagnosis. Numerous efforts have been made to address this issue; however, all of these proposals are limited in terms of how much motion they can correct and the required computational time. In this paper, we propose a novel generative networks based conjugate gradient SENSE (CG-SENSE) reconstruction framework for motion correction in multishot MRI. The proposed framework first employs CG-SENSE reconstruction to produce the motion-corrupted image and then a generative adversarial network (GAN) is used to correct the motion artifacts. The proposed method has been rigorously evaluated on synthetically corrupted data on varying degrees of motion, numbers of shots, and encoding trajectories. Our analyses (both quantitative as well as qualitative/visual analysis) establishes that the proposed method significantly robust and outperforms state-of-the-art motion correction techniques and also reduces severalfold of computational times.

研究动机与目标

• 解决多期相MRI中运动伪影导致的图像质量下降及误诊风险问题。
• 克服传统迭代运动校正方法计算成本高、对运动幅度和编码方案敏感的局限性。
• 开发一种无需在采集或重建过程中进行运动估计的无参数、端到端运动校正框架。
• 实现在不同多期相MRI参数（包括不同运动程度、切片数和编码轨迹）下的鲁棒性能。
• 显著降低重建时间，支持高分辨率多期相MRI在临床中的应用。

提出的方法

• 首先应用共轭梯度SENSE（CG-SENSE）从k空间数据中重建运动污染的图像，利用敏感度编码实现并行成像。
• 将含有伪影的重建图像输入生成对抗网络（GAN），该网络学习将运动退化图像映射为无伪影、高质量的MR图像。
• 使用对抗损失训练GAN，以保证图像的感知一致性和高阶结构，提升图像真实感并增强伪影抑制能力。
• 将运动校正与重建过程解耦：先由CG-SENSE完成完整的k空间重建，再通过GAN进行后续精炼。
• 使用判别器网络区分真实图像与生成图像，使生成器能够学习真实图像先验，而无需显式建模运动过程。
• 该框架对编码轨迹和切片数不敏感，可泛化至多种多期相MRI扫描协议。

实验结果

研究问题

• RQ1 基于GAN的框架是否能在不依赖采集或重建阶段运动估计的前提下，有效校正多期相MRI中的运动伪影？
• RQ2 与当前最先进的迭代运动校正技术相比，该方法在图像质量和计算效率方面表现如何？
• RQ3 该方法在不同刚性头动程度、切片数和编码轨迹下，性能是否保持鲁棒？
• RQ4 GAN校正步骤是否可独立于运动幅度和重建复杂度，从而确保在不同输入参数下具有稳定的推理时间？

主要发现

• 与最先进的迭代方法[21]相比，该方法将计算时间减少了100倍以上，且在不同运动水平下均保持0.28秒的一致校正时间。
• 对于128个切片的情况，该方法总重建时间仅为1.40秒，而迭代方法[21]需89.19秒，显示出显著的速度优势。
• 在14°运动情况下，迭代方法耗时152.03秒，而该方法始终保持0.28秒的恒定校正时间，凸显其可扩展性。
• GAN校正步骤与运动幅度无关，确保在5°至14°运动范围内性能稳定，而迭代方法随运动幅度增加而显著变慢。
• 视觉与定量评估均表明，该方法在所有测试参数下均优于现有技术，在伪影抑制和结构相似性（SSIM）方面表现更优。
• 该框架对编码轨迹和切片数的变化具有鲁棒性，在无需微调或网络架构修改的情况下，始终维持高质量图像输出。