[论文解读] k-Space Deep Learning for Parallel MRI: Application to Time-Resolved MR Angiography

Eunju Cha, Eung Yeop Kim+1 more|arXiv (Cornell University)|Jun 3, 2018

Advanced MRI Techniques and Applications参考文献 21被引用 4

一句话总结

该论文提出了一种用于并行MRI的k空间深度学习框架，实现了时间分辨磁共振血管成像（tMRA）的实时、灵活重建，且时间分辨率得到提升。通过借鉴Hankel矩阵分解的深度神经网络学习多通道k空间插值核，该方法在无需微调的情况下，可在不同视角共享水平下实现高保真重建，且在速度和质量上优于GRAPPA和ALOHA。

ABSTRACT

Time-resolved angiography with interleaved stochastic trajectories (TWIST) has been widely used for dynamic contrast enhanced MRI (DCE-MRI). To achieve highly accelerated acquisitions, TWIST combines the periphery of the k-space data from several adjacent frames to reconstruct one temporal frame. However, this view-sharing scheme limits the true temporal resolution of TWIST. Moreover, the k-space sampling patterns have been specially designed for a specific generalized autocalibrating partial parallel acquisition (GRAPPA) factor so that it is not possible to reduce the number of view-sharing once the k-data is acquired. To address these issues, this paper proposes a novel k-space deep learning approach for parallel MRI. In particular, we have designed our neural network so that accurate k-space interpolations are performed simultaneously for multiple coils by exploiting the redundancies along the coils and images. Reconstruction results using in vivo TWIST data set confirm that the proposed method can immediately generate high-quality reconstruction results with various choices of view- sharing, allowing us to exploit the trade-off between spatial and temporal resolution in time-resolved MR angiography.

研究动机与目标

• 为克服由于在多个帧之间共享视角而导致TWIST成像中真实时间分辨率受限的问题。
• 解决现有基于GRAPPA的TWIST协议灵活性差的问题，这些协议需要固定的加速因子，且无法在采集后调整。
• 开发一种基于深度学习的k空间重建方法，实现在不重新训练的情况下，立即实现不同空间-时间分辨率权衡的重建。
• 通过利用深度神经网络从多通道冗余性和稀疏性中学习k空间插值核，实现计算效率和高质量图像。
• 提供向后兼容的解决方案，可与现有TWIST采集协议配合使用，无需修改脉冲序列。

提出的方法

• 该方法采用一种深度卷积神经网络，作为数据驱动的Hankel矩阵分解的多层扩展，用于建模k空间插值。
• 网络直接在k空间中学习插值核，利用各通道之间的冗余性以及图像域中的稀疏性。
• 采用编码器-解码器架构，结合递归提升与反提升操作，将低秩k空间结构映射到更高维空间，以改善插值效果。
• 网络在加权k空间数据上端到端进行训练，利用Hankel矩阵的低秩性作为先验，以实现有效插值。
• 推理过程中，通过简单调整输入窗口大小，同一训练好的网络可为任意视角共享水平生成重建结果。
• 该方法避免了实时内核计算，因此显著快于GRAPPA和ALOHA，每切片的推理时间仅为0.029秒。

实验结果

研究问题

• RQ1 在未重新训练的情况下，基于k空间数据训练的深度学习模型是否能泛化到TWIST中不同的视角共享配置？
• RQ2 在时间分辨血管成像中，k空间深度学习与GRAPPA和ALOHA相比，在重建质量和计算效率方面表现如何？
• RQ3 单一深度神经网络是否能学习到对不同加速因子和时间分辨率需求具有鲁棒性的插值核？
• RQ4 在传统GRAPPA失效的高加速因子下，该方法是否能保持空间分辨率？
• RQ5 所学习的k空间插值是否可应用于训练数据中未见的时间帧，且实现高于训练数据的时间分辨率？

主要发现

• 所提出方法每切片的重建时间仅为0.029秒，比GRAPPA（6.09秒）快逾100倍，比ALOHA（84.61秒）快得多。
• 通过单一训练好的网络，可立即实现任意视角共享水平的重建，从而灵活探索空间-时间分辨率的权衡。
• 由于通过低秩Hankel矩阵分解学习了k空间的内在结构，网络在未见的时间帧上表现出良好的泛化能力。
• 在高加速因子下，该方法在空间分辨率方面显著优于ALOHA，尤其是在视角共享减少时。
• 通过多层提升与编码实现更深层次的表征学习，该深度k空间网络在图像质量上优于GRAPPA和ALOHA。