[论文解读] LORAKI: Autocalibrated Recurrent Neural Networks for Autoregressive MRI Reconstruction in k-Space

Tae Hyung Kim, Pratyush Garg+1 more|arXiv (Cornell University)|Apr 20, 2019

Advanced MRI Techniques and Applications参考文献 23被引用 44

一句话总结

LORAKI 训练一个针对扫描的自校准卷积型 RNN，用于插补缺失的 k-space 样本，在所测试的采样方案中相对于 GRAPPA、RAKI 和 AC-LORAKS 显示出更好的重建效果。

ABSTRACT

We propose and evaluate a new MRI reconstruction method named LORAKI that trains an autocalibrated scan-specific recurrent neural network (RNN) to recover missing k-space data. Methods like GRAPPA, SPIRiT, and AC-LORAKS assume that k-space data has shift-invariant autoregressive structure, and that the scan-specific autoregression relationships needed to recover missing samples can be learned from fully-sampled autocalibration (ACS) data. Recently, the structure of the linear GRAPPA method has been translated into a nonlinear deep learning method named RAKI. RAKI uses ACS data to train an artificial neural network to interpolate missing k-space samples, and often outperforms GRAPPA. In this work, we apply a similar principle to translate the linear AC-LORAKS method (simultaneously incorporating support, phase, and parallel imaging constraints) into a nonlinear deep learning method named LORAKI. Since AC-LORAKS is iterative and convolutional, LORAKI takes the form of a convolutional RNN. This new architecture admits a wide range of sampling patterns, and even calibrationless patterns are possible if synthetic ACS data is generated. The performance of LORAKI was evaluated with retrospectively undersampled brain datasets, with comparisons against other related reconstruction methods. Results suggest that LORAKI can provide improved reconstruction compared to other scan-specific autocalibrated reconstruction methods like GRAPPA, RAKI, and AC-LORAKS. LORAKI offers a new deep-learning approach to MRI reconstruction based on RNNs in k-space, and enables improved image quality and enhanced sampling flexibility.

研究动机与目标

• 通过使用自校准、针对扫描的模型对欠采样的 k-space 数据进行重建，从而推动更快的 MRI 成像。
• 引入 LORAKI，一种扩展自 AC-LORAKS 和 RAKI 原理的非线性卷积 RNN。
• 利用自校准数据来学习 k-space 中针对扫描的自回归关系。
• 证明 LORAKI 能够容纳广泛的采样模式，包括合成的 ACS 数据。

提出的方法

• 将 LORAKI 表述为一个两层卷积 RNN，在一个受 Landweber 启发的迭代方案中具有非线性 ReLU 激活。
• 将 k-space 插值表示为一个学习到的非线性自回归过程，使用 ACS 数据进行训练。
• 使用椭圆形卷积核，在一个结构化低秩框架内强制实现各向同性的受约束重建。
• 用 ACS 数据训练网络（并可选地使用从初步重建得到的合成 ACS 数据）。
• 通过使用实值通道和虚拟共轭线圈来处理复值数据，以捕捉相位约束。

实验结果

研究问题

• RQ1 在各种笛卡尔欠采样模式下，LORAKI 是否能在重建质量方面优于 GRAPPA、RAKI 和 AC-LORAKS？
• RQ2 在实际 ACS 数据有限时，加入合成 ACS 数据是否能提升性能？
• RQ3 在不同的欠采样方案（均匀、随机、部分傅里叶）下，LORAKI 是否仍然鲁棒，并且保持与 AC-LORAKS 约束的一致性？

主要发现

• 在回顾性脑部 MRI 欠采样测试中，LORAKI 的重建质量优于 GRAPPA、RAKI 和 AC-LORAKS。
• 使用合成 ACS 数据可以达到或超过原始 ACS 数据的收益，尤其是在原始 ACS 数据有限时。
• LORAKI 在多种采样模式下仍然有效，包括随机和部分傅里叶欠采样，在空间频率上的误差特征较优。
• 在无校准场景下，当初始重建能够提供有用的 ACS 指导时，使用合成 ACS 数据的 LORAKI 往往优于无校准基线。