[论文解读] Neural Implicit k-Space for Binning-free Non-Cartesian Cardiac MR Imaging

Wenqi Huang, Hongwei Li+4 more|arXiv (Cornell University)|Dec 16, 2022

Advanced MRI Techniques and ApplicationsMedicine被引用 19

一句话总结

本文提出神经隐式k空间（NIK），一种无需分箱、无需数据库的非笛卡尔心脏磁共振成像重建框架，通过使用带频域正则化的多层感知机学习连续的、受试者特异的k空间表示。通过直接将时间、线圈和k空间坐标映射到信号强度，NIK无需使用NUFFT或密度补偿即可通过逆傅里叶变换实现高保真度图像重建，即使仅使用一次心跳的径向数据，也能实现优异的伪影抑制和时间分辨率。

ABSTRACT

In this work, we propose a novel image reconstruction framework that directly learns a neural implicit representation in k-space for ECG-triggered non-Cartesian Cardiac Magnetic Resonance Imaging (CMR). While existing methods bin acquired data from neighboring time points to reconstruct one phase of the cardiac motion, our framework allows for a continuous, binning-free, and subject-specific k-space representation.We assign a unique coordinate that consists of time, coil index, and frequency domain location to each sampled k-space point. We then learn the subject-specific mapping from these unique coordinates to k-space intensities using a multi-layer perceptron with frequency domain regularization. During inference, we obtain a complete k-space for Cartesian coordinates and an arbitrary temporal resolution. A simple inverse Fourier transform recovers the image, eliminating the need for density compensation and costly non-uniform Fourier transforms for non-Cartesian data. This novel imaging framework was tested on 42 radially sampled datasets from 6 subjects. The proposed method outperforms other techniques qualitatively and quantitatively using data from four and one heartbeat(s) and 30 cardiac phases. Our results for one heartbeat reconstruction of 50 cardiac phases show improved artifact removal and spatio-temporal resolution, leveraging the potential for real-time CMR.

研究动机与目标

• 解决传统非笛卡尔MRI重建方法的局限性，这些方法依赖于数据分箱、密度补偿和NUFFT，导致伪影和时间模糊。
• 开发一种无需数据库、受试者特异的重建框架，避免对完全采样的k空间数据或大规模训练数据集的需求。
• 即使仅使用一次心跳的采样数据，也能实现从欠采样径向轨迹中高分辨率、连续的时间重建。
• 通过直接从采样k空间点学习连续的k空间表示，消除对非均匀傅里叶变换和密度补偿函数的需求。

提出的方法

• 通过为每个采样的k空间点分配唯一的坐标元组（时间、线圈索引、频域位置）将k空间建模为神经隐式函数。
• 使用多层感知机（MLP）训练以将这些三维坐标映射到k空间信号强度，并应用频域正则化以保持频谱一致性。
• 通过在训练过程中最小化预测值与真实k空间值之间差异的损失函数，对网络进行端到端优化。
• 推理过程中，模型在所有时间帧和线圈的规则笛卡尔网格上预测k空间值，从而实现标准逆FFT图像重建。
• 该框架天然具备采样模式无关性，无需重采样或插值核。
• 应用频域正则化以抑制高频噪声并提高重建保真度。

实验结果

研究问题

• RQ1 是否可以无需完全采样的k空间数据或大规模数据库，端到端训练k空间的神经隐式表示？
• RQ2 与基于分箱的传统方法相比，无分箱的连续k空间表示在非笛卡尔心脏MRI中的时间分辨率和伪影抑制方面表现如何？
• RQ3 单次采集、一次心跳的重建在多大程度上能实现高时空分辨率，结合神经隐式k空间建模？
• RQ4 频域正则化是否能提高低采样率下重建的鲁棒性和图像质量？

主要发现

• 在所有测试条件下（包括一次心跳、30个相位重建），所提出的NIK框架在定性和定量指标上均优于INUFFT、CG-SENSE和L+S。
• 在一次心跳、50个心脏相位的重建中，NIK保持了高质量图像且伪影极少，而传统方法因每相位采样射线不足而出现严重模糊和噪声。
• 该方法在时间分辨率和边缘锐度方面表现更优，特别是在心肌边界区域，经x-t剖面分析和误差图验证。
• 频域正则化显著降低了噪声，证明其在稳定重建过程中的有效性。
• NIK实现了连续的、无分箱的时间重建，意味着图像质量在不同心脏相位数量下保持一致，而基于分箱的方法在相位数增加时性能会下降。
• 该框架在径向采样中实现了最先进的伪影抑制性能，而径向采样在传统重建中常产生具有挑战性的条纹伪影和鬼影。