Self-Supervised Feature Learning for Cardiac Cine MR Image Reconstruction.
研究背景
磁共振成像（MRI）临床应用广泛，但采集时间长有诸多弊端。虽有加速技术，但多数深度学习方法依赖全采样图像，且对域变化敏感。为解决这些问题，本文提出SSFL - Recon框架。
方法速览
提出两步的SSFL - Recon框架。第一步自监督特征学习，从欠采样数据提取主体特定和采样无关特征；第二步自监督重建，将特征嵌入重建网络，采用物理基础展开网络架构，设计自定义损失函数。
主要发现
- 不同加速率下高质量重建：在不同加速率下均能高质量重建，18倍加速几乎无伪影，21倍加速心脏区域残余伪影小。
- 优于传统和自监督方法：与kt - SLR传统方法比，在8倍和16倍加速下图像质量和细节保留更好；与PARCEL和SSDU自监督方法比，在8倍和16倍加速下重建性能更优。
- 前瞻性研究泛化能力强：前瞻性研究中，10倍加速下重建质量与回顾性研究相当，优于PARCEL和SSDU。
- 特征学习有效：消融实验表明，特征学习步骤提升自监督重建网络性能，高加速率下效果更明显。
总结展望
SSFL - Recon框架在心脏MRI重建中表现优异，能去除伪影、保留细节，泛化能力强。不过，当前特征学习策略有全局表示不足等局限，未来需探索局部特征学习、验证非笛卡尔轨迹适用性及优化重采样策略。