[论文解读] Multi-shot multi-channel diffusion data recovery using structured low-rank matrix completion

Merry Mani, Mathews Jacob+2 more|arXiv (Cornell University)|Feb 22, 2016

Advanced Neuroimaging Techniques and Applications参考文献 41被引用 3

一句话总结

该论文提出MUSSELS方法，一种无需校准的多重复采集扩散加权MRI数据重建方法，通过结构化低秩矩阵补全技术隐式补偿运动引起的相位变化，无需显式估计相位。该方法将k空间数据升维为分块Hankel矩阵结构，利用平滑相位调制产生的零空间向量来强制实现低秩结构，并通过核范数最小化结合数据一致性约束恢复非混叠图像，在欠采样或噪声条件下相比传统SENSE和基于相位的方法显著降低了伪影。

ABSTRACT

Purpose: To introduce a novel method for the recovery of multi-shot diffusion weighted (MS-DW) images from echo-planar imaging (EPI) acquisitions. Methods: Current EPI-based MS-DW reconstruction methods rely on the explicit estimation of the motion- induced phase maps to recover the unaliased images. In the new formulation, the k-space data of the unaliased DWI is recovered using a structured low-rank matrix completion scheme, which does not require explicit estimation of the phase maps. The structured matrix is obtained as the lifting of the multi-shot data. The smooth phase-modulations between shots manifest as null-space vectors of this matrix, which implies that the structured matrix is low-rank. The missing entries of the structured matrix are filled in using a nuclear-norm minimization algorithm subject to the data-consistency. The formulation enables the natural introduction of smoothness regularization, thus enabling implicit motion-compensated recovery of fully-sampled as well as under-sampled MS-DW data. Results: Our experiments on in-vivo data show effective removal of the ghosting artifacts arising from intershot motion in MS-DW data using the proposed method. The performance is comparable and better in certain cases than conventional phase-based methods. Conclusion: The proposed method can achieve effective unaliasing of fully/under-sampled MS-DW images without using explicit phase estimates.

研究动机与目标

• 解决多重复采集扩散加权成像（MS-DWI）中因重复间运动引起的相位变化导致的伪影问题。
• 消除对运动引起的相位图显式估计的需求，因为此类估计在欠采样或噪声数据中易出错。
• 开发一种稳健的、无需校准的重建方法，实现对完全采样和欠采样MS-DWI数据的有效去混叠。
• 通过减少运动伪影引起的残余混叠，提升DTI中的图像质量和张量估计精度。

提出的方法

• 通过在k空间数据矩阵上应用滑动窗口，将多重复k空间数据构建为分块Hankel矩阵，形成结构化低秩矩阵。
• 利用重复间平滑相位调制在结构化矩阵中产生零空间向量，从而体现低秩结构的特性。
• 通过在数据一致性约束下进行核范数最小化，恢复非混叠的k空间数据，实现隐式运动补偿。
• 引入平滑性正则化（SR）以提升重建质量，尤其在欠采样或噪声较大的情况下表现更优。
• 采用联合矩阵升维公式，将k空间中的偏导数信息纳入，提升结构化矩阵的低秩近似效果。
• 采用增广拉格朗日算法求解优化问题，确保恢复过程的收敛性和稳定性。

实验结果

研究问题

• RQ1 能否在不显式估计运动引起的相位图的前提下，有效减少多重复扩散加权成像中的伪影？
• RQ2 结构化低秩矩阵补全能否在欠采样或噪声较大的MS-DWI数据中，提供一种对基于相位的重建方法的稳健替代方案？
• RQ3 与传统SENSE方法及基于相位估计的方法（如MUSE）相比，所提出方法在伪影抑制和图像质量方面表现如何？
• RQ4 引入平滑性正则化在多大程度上提升了非混叠DWI数据的重建质量？
• RQ5 在高分辨率或超高场强MRI中，该方法能否实现可靠的去混叠，尤其是在T2衰减和回波链长度带来挑战的条件下？

主要发现

• 所提出的MUSSELS方法成功消除了多重复DWI中的伪影，且无需显式估计相位，性能与传统SENSE和基于相位的方法相当或更优。
• 在完全采样的8重复数据中，未使用平滑性正则化（SR）的MUSSELS优于TV-MUSE，并在FA图质量上优于MUSE和SENSE。
• 当应用平滑性正则化后，SR-MUSSELS进一步提升了图像质量，成为所有测试方法中FA图最准确的。
• 在4重复欠采样数据中，无论采用均匀还是非均匀采样模式，MUSSELS均实现了有效的去混叠，未正则化重建结果也表现良好。
• 当MUSE因相位估计噪声过大而失效时，MUSSELS仍保持稳健性能，体现出隐式运动补偿相比显式相位估计的优势。
• 该方法在7T高场强成像中也表现出有效的非混叠DWI恢复能力，即使在长回波时间导致显著信号丢失和几何失真的情况下依然有效。