[论文解读] Simultaneous Reduction of Two Common Autocalibration Errors in GRAPPA EPI Time Series Data

Daniel Sheltraw, Ben Inglis+2 more|arXiv (Cornell University)|Aug 5, 2012

Advanced MRI Techniques and Applications参考文献 13被引用 6

一句话总结

本文提出一种方法，可同时减少GRAPPA EPI时间序列中的两类主要自校准误差：R-shot自校准扫描（ACS）过程中因不同shot间信号扰动引起的伪影，以及次优的ACS数据选择。通过将相位校正扫描用作对扰动敏感的导航器，该方法计算均方根偏差度量，以选择最干净的完整ACS数据集，显著提升图像质量与时间信噪比（tSNR），且扫描时间增加极少。

ABSTRACT

The GRAPPA (GeneRalized Autocalibrating Partially Parallel Acquisitions) method of parallel MRI makes use of an autocalibration scan (ACS) to determine a set of synthesis coefficients to be used in the image reconstruction. For EPI time series the ACS data is usually acquired once prior to the time series. In this case the interleaved R-shot EPI trajectory, where R is the GRAPPA reduction factor, offers advantages which we justify from a theoretical and experimental perspective. Unfortunately, interleaved R-shot ACS can be corrupted due to perturbations to the signal (such as direct and indirect motion effects) occurring between the shots, and these perturbations may lead to artifacts in GRAPPA-reconstructed images. Consequently we also present a method of acquiring interleaved ACS data in a manner which can reduce the effects of inter-shot signal perturbations. This method makes use of the phase correction data, conveniently a part of many standard EPI sequences, to assess the signal perturbations between the segments of R-shot EPI ACS scans. The phase correction scans serve as navigator echoes, or more accurately a perturbation-sensitive signal, to which a root-mean-square deviation perturbation metric is applied for the determination of the best available complete ACS data set among multiple complete sets of ACS data acquired prior to the EPI time series. This best set (assumed to be that with the smallest valued perturbation metric) is used in the GRAPPA autocalibration algorithm, thereby permitting considerable improvement in both image quality and temporal signal-to-noise ratio of the subsequent EPI time series at the expense of a small increase in overall acquisition time.

研究动机与目标

• 解决GRAPPA重建的EPI时间序列中，由于R-shot自校准扫描（ACS）过程中各shot间信号扰动引起的伪影问题。
• 通过选择最稳定的ACS数据集，提升并行成像EPI的图像质量与时间信噪比（tSNR）。
• 利用现有的相位校正扫描作为导航器，检测ACS采集期间的shot间信号扰动。
• 通过选择扰动度量最小的ACS数据集，实现稳健的GRAPPA重建，从而最小化误差传播。
• 在保持高加速效率的同时，减少由磁场不均匀性和运动引起的信号漂移导致的伪影。

提出的方法

• 使用R-shot交错EPI轨迹采集自校准扫描（ACS）数据，相比1-shot ACS，能更好地处理磁场不均匀性问题。
• 利用标准EPI序列中已存在的相位校正扫描作为导航回波，监测ACS各shot段之间的信号稳定性。
• 应用均方根（RMS）偏差度量，量化在时间序列之前采集的多个完整ACS数据集中的信号扰动。
• 选择RMS扰动值最小的ACS数据集作为GRAPPA自校准的最优输入，从而最小化受污染数据带来的误差。
• 在GRAPPA重建过程中应用所选的最优ACS数据，利用线圈灵敏度信息合成缺失的k空间线。
• 采用分块系数估计策略，假设线圈灵敏度和系统算子的空间变化缓慢，局部计算合成系数。

实验结果

研究问题

• RQ1 R-shot ACS采集期间的shot间信号扰动如何影响EPI时间序列中GRAPPA重建的质量？
• RQ2 相位校正扫描能否被有效重用于作为导航器，以检测并量化ACS数据中的信号不稳定性？
• RQ3 选择扰动最小的ACS数据集对GRAPPA重建的EPI时间序列的图像质量与时间信噪比（tSNR）有何影响？
• RQ4 RMS扰动度量与其他选择标准相比，在识别最可靠ACS数据集方面表现如何？
• RQ5 与标准的1-shot或未选择的R-shot ACS方法相比，该方法在减少伪影方面有多大程度的改善？

主要发现

• 所提方法通过减少shot间信号扰动引起的伪影，显著提升了GRAPPA重建EPI时间序列的图像质量。
• 通过选择RMS扰动度量最小的ACS数据集，时间信噪比（tSNR）得到明显提升。
• 利用相位校正扫描作为导航器，可在无需额外硬件或序列修改的情况下，实现对ACS数据稳定性的稳健、实时评估。
• 该方法保持了高加速效率，且与标准EPI序列兼容，仅需在软件层面进行微小修改即可实现。
• 选择最优ACS数据集可更准确地合成缺失的k空间线，减少重建误差并提升图像保真度。
• 该方法在更高场强和更高加速因子下尤为有效，此时磁场不均匀性和信号漂移更为显著。