Data-Consistent non-Cartesian deep subspace learning for efficient dynamic MR image reconstruction.
Data-Consistent non-Cartesian deep subspace learning for efficient dynamic MR image reconstruction.
复制标题
DOI：
10.1109/isbi52829.2022.9761497
复制
发表时间：
2022-03
期刊：
影响因子：
--
通讯作者：
Christodoulou, Anthony G.
中科院分区：
文献类型：
--
作者：
Chen, Zihao;Chen, Yuhua;Xie, Yibin;Li, Debiao;Christodoulou, Anthony G.
非笛卡尔采样加子空间受限图像重建是一种流行的动态磁共振成像方法，但迭代重建速度慢限制了其临床应用。数据一致性(DC)深度学习能够以良好的图像质量加速重建，但对于非笛卡儿空间成像还没有被提出。在这项研究中，我们提出了一种DC非笛卡尔深子空间学习框架，用于快速、准确的动态MR图像重建。开发和评估了四种新的DC公式：两种梯度下降方法、一种直接求解方法和一种共轭梯度方法。我们应用有DC层和无DC层的U网络模型来重建心脏MR多任务(一种先进的多维成像方法)的T1加权图像，并将我们的结果与迭代重建的参考图像进行比较。实验结果表明，与无DC的U-Net模型相比，该框架显著提高了重建精度，与传统的迭代重建相比，显著加快了重建速度。
Non-Cartesian sampling with subspace-constrained image reconstruction is a popular approach to dynamic MRI, but slow iterative reconstruction limits its clinical application. Data-consistent (DC) deep learning can accelerate reconstruction with good image quality, but has not been formulated for non-Cartesian subspace imaging. In this study, we propose a DC non-Cartesian deep subspace learning framework for fast, accurate dynamic MR image reconstruction. Four novel DC formulations are developed and evaluated: two gradient decent approaches, a directly solved approach, and a conjugate gradient approach. We applied a U-Net model with and without DC layers to reconstruct T1-weighted images for cardiac MR Multitasking (an advanced multidimensional imaging method), comparing our results to the iteratively reconstructed reference. Experimental results show that the proposed framework significantly improves reconstruction accuracy over the U-Net model without DC, while significantly accelerating the reconstruction over conventional iterative reconstruction.
登录
查看更多内容
影响因子：
3.3
作者：
Huang, Chuan;Graff, Christian G.;Clarkson, Eric W.;Bilgin, Ali;Altbach, Maria I.
通讯作者：
Altbach, Maria I.
影响因子：
3.3
作者：
Sandino CM;Lai P;Vasanawala SS;Cheng JY
通讯作者：
Cheng JY
影响因子：
3.8
作者：
Kofler, Andreas;Haltmeier, Markus;Kolbitsch, Christoph
通讯作者：
Kolbitsch, Christoph
影响因子：
3.3
作者：
Zhang, Yufei;She, Huajun;Du, Yiping P.
通讯作者：
Du, Yiping P.
影响因子：
10.6
作者：
Schlemper, Jo;Caballero, Jose;Rueckert, Daniel
通讯作者：
Rueckert, Daniel