[论文解读] CoRRECT: A Deep Unfolding Framework for Motion-Corrected Quantitative R2* Mapping

Xiaojian Xu, Weijie Gan+3 more|arXiv (Cornell University)|Oct 12, 2022

Advanced MRI Techniques and Applications被引用 5

一句话总结

CoRRECT 是一种深度展开框架，通过整合物理磁共振成像模型、生物物理信号模型和学习到的先验知识，联合重建运动伪影污染、加速采集的多对比度GRE MRI数据，并估计无伪影的R2*图谱。该方法在真实实验数据上实现了最先进的运动伪影和场不均匀性伪影抑制性能，即使在高达×8的加速率下也无需预先计算的校正参数。

ABSTRACT

Quantitative MRI (qMRI) refers to a class of MRI methods for quantifying the spatial distribution of biological tissue parameters. Traditional qMRI methods usually deal separately with artifacts arising from accelerated data acquisition, involuntary physical motion, and magnetic-field inhomogeneities, leading to suboptimal end-to-end performance. This paper presents CoRRECT, a unified deep unfolding (DU) framework for qMRI consisting of a model-based end-to-end neural network, a method for motion-artifact reduction, and a self-supervised learning scheme. The network is trained to produce R2* maps whose k-space data matches the real data by also accounting for motion and field inhomogeneities. When deployed, CoRRECT only uses the k-space data without any pre-computed parameters for motion or inhomogeneity correction. Our results on experimentally collected multi-Gradient-Recalled Echo (mGRE) MRI data show that CoRRECT recovers motion and inhomogeneity artifact-free R2* maps in highly accelerated acquisition settings. This work opens the door to DU methods that can integrate physical measurement models, biophysical signal models, and learned prior models for high-quality qMRI.

研究动机与目标

• 解决传统qMRI方法将运动、场不均匀性和加速采集视为独立问题的局限性。
• 开发一种端到端的深度学习框架，在存在真实伪影的情况下联合优化MRI重建与R2*估计。
• 通过基于k空间一致性的自监督学习方案，实现在无真实R2*图谱标签情况下的训练。
• 将物理测量模型、生物物理信号模型和学习到的正则化方法整合到统一的深度展开架构中。
• 在无需预处理校正步骤的情况下，实现在真实运动伪影污染、高度加速的mGRE数据上的鲁棒性能。

提出的方法

• 将MRI重建与R2*估计建模为一种深度展开网络，交替执行数据一致性步骤与先验建模步骤。
• 采用基于模型的端到端神经网络架构，其中每一层对应于一种迭代优化算法中的步骤。
• 在训练过程中将运动与场不均匀性模型集成到前向算子中，以模拟真实伪影。
• 采用自监督损失函数，强制预测的k空间数据与测量的k空间数据保持一致，而无需真实R2*图谱。
• 使用包含真实运动与场不均匀性的模拟数据进行网络训练，从而实现向真实实验数据的泛化。
• 在推理阶段仅使用原始k空间数据部署训练好的网络，无需预先计算的运动或场图。

实验结果

研究问题

• RQ1 统一的深度展开框架能否联合重建运动伪影污染、加速采集的mGRE数据并估计无伪影的R2*图谱？
• RQ2 当缺乏真实R2*图谱时，自监督训练方案的性能如何？
• RQ3 整合物理与生物物理模型在多大程度上提升了对运动与场不均匀性伪影的鲁棒性？
• RQ4 该框架能否泛化到训练期间未见过的不可预测运动模式的真实实验数据？
• RQ5 与解耦的流水线相比，联合优化重建与参数估计是否在图像质量和准确性方面表现更优？

主要发现

• CoRRECT在真实实验数据上成功消除了mGRE数据中的运动与场不均匀性伪影，即使在高达×8的加速率下也表现良好。
• 与基线方法（如ZF+NLLS、TV、RED和DU）相比，该方法在重建的mGRE图像和R2*图谱中展现出更优的视觉质量与结构保真度。
• CoRRECT在伪影抑制、锐度和对比度方面全面优于所有基线方法，尤其在强运动诱导失真区域（在放大区域和蓝箭头标记区域尤为明显）。
• 该框架在具有不同运动模式的多个脑切片上均保持一致的性能，证明了其对多样化体内运动伪影的鲁棒性与泛化能力。
• CoRRECT可直接从欠采样、噪声大且受运动影响的k空间数据中实现高质量的R2*估计，无需预先计算的运动或场图。
• 自监督训练方案使模型在无真实R2*图谱的情况下仍能有效学习，使该方法适用于临床真实数据，而后者通常缺乏此类标签。