[论文解读] k-t NEXT: Dynamic MR Image Reconstruction Exploiting Spatio-temporal Correlations

Chen Qin, Jo Schlemper+5 more|arXiv (Cornell University)|Jul 22, 2019

Advanced MRI Techniques and Applications参考文献 18被引用 4

一句话总结

本文提出 k-t NEXT，一种基于深度学习的动态磁共振成像重建方法，通过在图像域与 x-f（空间-频率）域之间迭代交替，以利用时空相关性。通过使用 xf-CNN 重建混叠的 k-t 数据，并利用 CRNN 建模时间动态，该方法在高采样率下实现了优于最先进方法的图像质量，PSNR 提升最高达 34.23 dB，HFEN 降低至 0.196。

ABSTRACT

Dynamic magnetic resonance imaging (MRI) exhibits high correlations in k-space and time. In order to accelerate the dynamic MR imaging and to exploit k-t correlations from highly undersampled data, here we propose a novel deep learning based approach for dynamic MR image reconstruction, termed k-t NEXT (k-t NEtwork with X-f Transform). In particular, inspired by traditional methods such as k-t BLAST and k-t FOCUSS, we propose to reconstruct the true signals from aliased signals in x-f domain to exploit the spatio-temporal redundancies. Building on that, the proposed method then learns to recover the signals by alternating the reconstruction process between the x-f space and image space in an iterative fashion. This enables the network to effectively capture useful information and jointly exploit spatio-temporal correlations from both complementary domains. Experiments conducted on highly undersampled short-axis cardiac cine MRI scans demonstrate that our proposed method outperforms the current state-of-the-art dynamic MR reconstruction approaches both quantitatively and qualitatively.

研究动机与目标

• 解决在 k-t 空间采样受限条件下的高度加速动态 MRI 重建挑战。
• 利用 k-t 空间和图像域中的时空冗余性，以提高重建保真度。
• 克服现有深度学习方法仅独立处理帧或仅依赖图像域建模的局限性。
• 开发一种联合学习框架，通过在 x-f 域和图像域之间交替，捕捉互补的信号结构。
• 在高 undersampling 因子下，实现动态心脏电影 MRI 重建的最先进性能。

提出的方法

• 提出一种新颖的迭代重建框架 k-t NEXT，该框架在 x-f 域与图像域之间交替。
• 使用 xf-CNN 在 x-f 域中从混叠的 k-t 数据中重建真实信号，利用稀疏性和冗余性。
• 集成卷积循环神经网络（CRNN）以在图像域中建模时间依赖性。
• 将重建过程形式化为交替优化过程：在 x-f 域中进行 xf-CNN 更新，在图像域中进行 CRNN 更新。
• 通过端到端联合优化进行网络训练，使用残差学习预测图像更新。
• 在 CRNN 模块中应用具有数据共享和残差连接的 3D 卷积层，以增强特征学习。

实验结果

研究问题

• RQ1 在 x-f 域和图像域中联合建模时空相关性，是否能超越单域方法，显著提升动态 MRI 重建性能？
• RQ2 与端到端的单域学习相比，x-f 域与图像域之间迭代交替的重建方式在图像质量方面有何提升？
• RQ3 xf-CNN 组件在 x-f 域中直接重建，能在多大程度上减少混叠伪影？
• RQ4 在高 undersampling 率下，k-t NEXT 与最先进方法（如 k-t FOCUSS、CRNN-MRI 和 DS+3DCNN）在定量和定性性能上相比如何？
• RQ5 与依赖时间平均或插值的方法相比，所提出方法是否能更好地保留精细的时间和空间细节？

主要发现

• 在 9× undersampling 条件下，k-t NEXT 的 PSNR 达到 34.23 dB，显著优于次优方法（DS+CRNN 的 33.24 dB）。
• 在 12× undersampling 条件下，k-t NEXT 的 PSNR 为 33.18 dB，超过 CRNN-MRI（31.30 dB）和 DS+3DCNN（32.46 dB）。
• 在 9× undersampling 条件下，k-t NEXT 的 HFEN 值最低，为 0.196，表明其对高频图像细节的保留能力更优。
• 在 9× undersampling 条件下，k-t NEXT 的 SSIM 值达到 0.979，超过所有基线方法，表明其与真实图像具有高度结构相似性。
• 视觉对比显示，k-t NEXT 生成的图像更清晰，伪影更少，尤其在左心室等动态区域表现更优。
• x-f 域可视化结果证实，混叠伪影被有效抑制，重建的 x-f 图像与真实图像高度一致。