[论文解读] Optimizing full 3D SPARKLING trajectories for high-resolution T2*-weighted Magnetic Resonance Imaging

Chaithya Giliyar Radhakrishna, Pierre Weiss+4 more|arXiv (Cornell University)|Aug 6, 2021

Advanced MRI Techniques and Applications参考文献 58被引用 4

一句话总结

该论文提出了一种基于快速多极方法（FMM）的全3D SPARKLING轨迹优化方法，实现了高达3.75倍加速的高分辨率T2*-加权MRI。通过在硬件约束下优化全3D k空间采样模式，该方法在1分16秒内实现了600µm各向同性分辨率——比GRAPPA-4快2.5至3.75倍，同时保持了图像质量。

ABSTRACT

The Spreading Projection Algorithm for Rapid K-space samplING, or SPARKLING, is an optimization-driven method that has been recently introduced for accelerated 2D T2*-w MRI using compressed sensing. It has then been extended to address 3D imaging using either stacks of 2D sampling patterns or a local 3D strategy that optimizes a single sampling trajectory at a time. 2D SPARKLING actually performs variable density sampling (VDS) along a prescribed target density while maximizing sampling efficiency and meeting the gradient-based hardware constraints. However, 3D SPARKLING has remained limited in terms of acceleration factors along the third dimension if one wants to preserve a peaky point spread function (PSF) and thus good image quality. In this paper, in order to achieve higher acceleration factors in 3D imaging while preserving image quality, we propose a new efficient algorithm that performs optimization on full 3D SPARKLING. The proposed implementation based on fast multipole methods (FMM) allows us to design sampling patterns with up to 10^7 k-space samples, thus opening the door to 3D VDS. We compare multi-CPU and GPU implementations and demonstrate that the latter is optimal for 3D imaging in the high-resolution acquisition regime (600$μ$m isotropic). Finally, we show that this novel optimization for full 3D SPARKLING outperforms stacking strategies or 3D twisted projection imaging through retrospective and prospective studies on NIST phantom and in vivo brain scans at 3 Tesla. Overall the proposed method allows for 2.5-3.75x shorter scan times compared to GRAPPA-4 parallel imaging acquisition at 3 Tesla without compromising image quality.

研究动机与目标

• 解决先前3D SPARKLING方法使用堆叠2D模式或局部圆锥基优化所导致的加速受限和采样均匀性受损的问题。
• 克服在高达10^7个样本的全3D非笛卡尔k空间轨迹优化中的计算瓶颈。
• 实现采样效率更高、图像质量更优的高分辨率、各向同性3D T2*-加权成像。
• 在回顾性和前瞻性体内及幻影研究中，证明其优于堆叠策略和3D扭曲投影成像。
• 在保持与3T下GRAPPA-4并行成像相当的图像质量的同时，显著缩短扫描时间。

提出的方法

• 开发了全3D SPARKLING优化框架，联合最大化采样效率并施加梯度硬件约束下的可变密度采样（VDS）（包括幅度和 slew rate 限制）。
• 采用快速多极方法（FMM）加速k空间中长程相互作用的计算，实现高达10^7个k空间样本的优化。
• 实现了多CPU和GPU加速版本，其中GPU版本在600µm各向同性分辨率的高分辨率3D成像中表现最优。
• 采用局部收敛优化算法并引入随机扰动，以改善对非凸目标函数更好局部极小值的收敛。
• 设计采样模式以确保k空间局部均匀覆盖，并实现主瓣状点扩散函数（PSF），从而保证高图像质量。
• 通过T2*模糊和失速效应下的模拟PSF以及NIST幻影和3T下人体脑部扫描的真实数据对方法进行了验证。

实验结果

研究问题

• RQ1 与基于堆叠的3D SPARKLING相比，全3D SPARKLING轨迹优化是否能在保持图像质量的前提下实现更高的3D T2*-加权MRI加速因子？
• RQ2 GPU加速的FMM基优化如何实现高达10^7个k空间样本的高分辨率3D采样模式设计？
• RQ3 在扫描时间和图像质量方面，全3D SPARKLING相较于堆叠2D SPARKLING和3D扭曲投影成像等现有方法的性能提升如何？
• RQ4 所提出的方法在多大程度上减少了扫描时间，同时保持了与3T下GRAPPA-4并行成像相当的图像质量？
• RQ5 目标采样密度和初始化方式的选择如何影响最终的采样模式和重建质量？

主要发现

• 所提出的全3D SPARKLING优化方法仅用1分16秒即可实现600µm各向同性T2*-加权MRI，相比GRAPPA-4实现2.5至3.75倍的扫描时间缩短。
• GPU加速实现相比多CPU版本在计算效率上表现更优，使其成为高分辨率3D成像的最优选择。
• 全3D SPARKLING在NIST幻影和人体脑部数据的回顾性及前瞻性研究中，均优于堆叠策略和3D扭曲投影成像。
• 该方法实现了与完全采样扫描相当的峰值信噪比（PSNR）和结构相似性（SSIM），且伪影极少，点扩散函数（PSF）高度局域化。
• FMM的使用使高达10^7个样本的k空间模式优化成为可能，克服了以往全3D轨迹设计中的计算限制。
• 初始化阶段引入随机扰动显著改善了k空间覆盖和向更优局部极小值的收敛，但未提供全局最优性的理论保证。