[论文解读] Extreme MRI: Large-Scale Volumetric Dynamic Imaging from Continuous Non-Gated Acquisitions

Frank Ong, Xucheng Zhu+5 more|arXiv (Cornell University)|Sep 30, 2019

Advanced MRI Techniques and Applications参考文献 45被引用 4

一句话总结

本文提出Extreme MRI，一种利用3D非笛卡尔轨迹对连续、非门控、欠采样的k空间数据进行大规模动态体积磁共振成像重建的框架。通过结合多尺度低秩矩阵分解与随机优化，实现在无周期性假设下的高分辨率、抗运动伪影重建，能够揭示不规则运动场景下的瞬态动力学与更清晰的特征。

ABSTRACT

Purpose: To develop a framework to reconstruct large-scale volumetric dynamic MRI from rapid continuous and non-gated acquisitions, with applications to pulmonary and dynamic contrast enhanced (DCE) imaging. Theory and Methods: The problem considered here requires recovering hundred-gigabytes of dynamic volumetric image data from a few gigabytes of k-space data, acquired continuously over several minutes. This reconstruction is vastly under-determined, heavily stressing computing resources as well as memory management and storage. To overcome these challenges, we leverage intrinsic three dimensional (3D) trajectories, such as 3D radial and 3D cones, with ordering that incoherently cover time and k-space over the entire acquisition. We then propose two innovations: (1) A compressed representation using multi-scale low rank matrix factorization that constrains the reconstruction problem, and reduces its memory footprint. (2) Stochastic optimization to reduce computation, improve memory locality, and minimize communications between threads and processors. We demonstrate the feasibility of the proposed method on DCE imaging acquired with a golden-angle ordered 3D cones trajectory and pulmonary imaging acquired with a bit-reversed ordered 3D radial trajectory. We compare it with "soft-gated" dynamic reconstruction for DCE and respiratory resolved reconstruction for pulmonary imaging. Results: The proposed technique shows transient dynamics that are not seen in gating based methods. When applied to datasets with irregular, or non-repetitive motions, the proposed method displays sharper image features. Conclusion: We demonstrated a method that can reconstruct massive 3D dynamic image series in the extreme undersampling and extreme computation setting.

研究动机与目标

• 克服基于门控的方法在体积动态MRI中的局限性，后者依赖于周期性运动假设并会丢失瞬态动力学。
• 解决从数GB的欠采样k空间数据重建数百GB动态体积数据所面临的极端计算与内存挑战。
• 在无周期性运动的情况下实现出色的时空分辨率重建，尤其适用于非重复性或不规则生理动力学（如咳嗽或不规则呼吸）。
• 开发一种可扩展的重建框架，对整体运动与运动不规则性具有鲁棒性，适用于肺部MRI和DCE-MRI等具有挑战性的临床场景。
• 证明在常规软门控或呼吸分辨方法无法捕捉的情况下，重建动态序列中能够保留锐利的时间特征与瞬态事件的可行性。

提出的方法

• 利用内在的3D非笛卡尔k空间轨迹——3D径向与3D圆锥——在时间和k空间中采用伪随机、非相干排序，以提高采样效率并减少混叠。
• 提出多尺度低秩（MSLR）矩阵分解，以压缩动态图像体积，降低内存占用并约束欠定重建问题。
• 采用随机优化以最小化计算量，提升内存局部性并减少进程间通信，实现在大规模数据集上的可扩展处理。
• 在时间基上施加有限差分时间惩罚，以在动态演化中强制平滑性，平衡时间保真度与伪影抑制。
• 采用Burer-Monteiro因子分解方法处理低秩问题，实现在理想化非相干条件下具有理论保证的高效非凸优化。
• 通过支持在重建时间点之间计算信号强度曲线，实现回顾性运动校正，即使在非周期性运动下亦可实现。

实验结果

研究问题

• RQ1 重建框架是否能在不依赖周期性运动假设的前提下，从连续、非门控采集中实现高分辨率体积动态MRI？
• RQ2 多尺度低秩建模在极端欠采样场景下，如何有效降低内存与计算需求？
• RQ3 随机优化在大规模动态MRI重建中，对可扩展性与内存效率的提升程度如何？
• RQ4 所提出方法是否能恢复传统门控方法无法捕捉的瞬态生理动力学（如咳嗽或不规则呼吸）？
• RQ5 低秩建模在处理大范围整体运动时存在哪些局限性？未来工作如何缓解这些问题？

主要发现

• 所提方法成功从连续、非门控采集中重建出大规模3D动态MRI序列，在极端欠采样条件下实现了高时空分辨率。
• 对于呼吸不规则的数据集，该方法揭示了软门控重建中不可见的瞬态动力学（如咳嗽），展现出优越的抗运动伪影能力。
• 在非周期性运动场景中，图像质量显著提升，特征更清晰，模糊更少，优于传统门控技术。
• 部分重建中出现闪烁伪影，主要源于多尺度低秩模型中小块对噪声与混叠的敏感性。
• 由于有限差分时间惩罚的存在，时间分辨率低于预定值，且因缺乏真实值，实际时空分辨率尚未量化。
• 对于大范围整体运动（如支持视频S7中的情况），图像质量下降，时间模糊加剧，表明低秩建模在大位移情况下存在局限性。