[论文解读] Data Consistent Deep Rigid MRI Motion Correction

Nalini Singh, Neel Dey+6 more|PubMed|Jan 25, 2023

Advanced MRI Techniques and Applications参考文献 27被引用 11

一句话总结

一个深度学习方法，学习基于运动参数的重建网络，以生成数据一致、运动校正的MRI图像，并且仅对运动参数在测试时进行优化。

ABSTRACT

Motion artifacts are a pervasive problem in MRI, leading to misdiagnosis or mischaracterization in population-level imaging studies. Current retrospective rigid intra-slice motion correction techniques jointly optimize estimates of the image and the motion parameters. In this paper, we use a deep network to reduce the joint image-motion parameter search to a search over rigid motion parameters alone. Our network produces a reconstruction as a function of two inputs: corrupted k-space data and motion parameters. We train the network using simulated, motion-corrupted k-space data generated with known motion parameters. At test-time, we estimate unknown motion parameters by minimizing a data consistency loss between the motion parameters, the network-based image reconstruction given those parameters, and the acquired measurements. Intra-slice motion correction experiments on simulated and realistic 2D fast spin echo brain MRI achieve high reconstruction fidelity while providing the benefits of explicit data consistency optimization. Our code is publicly available at https://www.github.com/nalinimsingh/neuroMoCo.

研究动机与目标

• 动机与解决脑部MRI中的运动伪影，特别是多SHOT采集中的片内运动。
• 开发一种回顾性运动校正方法，避免成像与运动的联合优化。
• 引入基于超网络的重建，将运动参数映射到图像重建。
• 实现对运动参数在测试时的优化，并进行数据一致性监控以检测失败。

提出的方法

• 前向模型：y = A(m)x + ε，其中 A(m) 随着不同 shot 的运动 m 变化。
• 训练 f(y, m; θ) 将损坏的 k 空间数据和运动参数映射到重建结果，使用带已知运动的模拟数据。
• 使用超网络 h(·; θh) 生成以运动 m 为条件的重建网络权重 θg(m)。
• 通过最小化在模拟数据上的重建损失 L 进行训练，例如负的 SSIM。
• 在测试时，固定 θh，并通过最小化 ||y − A(m) f(y, m; θ*)||² 来优化 m，从而得到重建 f(y, m̂; θ*)。
• 监控数据一致性损失以拒绝差的重建结果。

实验结果

研究问题

• RQ1 神经网络是否能够学习一个基于运动参数的重建，将图像和运动参数的联合优化简化为仅对运动参数的优化？
• RQ2 在多SHOT MRI中，结合数据一致性对运动参数进行测试时优化，是否能得到与获得的 k-space 测量一致的重建？
• RQ3 该方法从模拟数据到现实获得的 k-space 数据的泛化能力如何？
• RQ4 自动拒绝标准是否能基于数据一致性识别失败的重建？

主要发现

• 该方法在带有片间运动的模拟数据中得到的重建与获得的测量一致。
• 重建更清晰，质量接近于能访问真实运动参数的运动感知基线。
• 在高能量 shot 中，运动参数估计准确，自动拒绝能够识别优化失败。
• 尽管在模拟数据上训练，该方法也能推广到现实获得的 k-space 示例。