Anatomy-Aware Deep Unrolling for Task-Oriented Acceleration of Multi-Contrast MRI.
研究背景
多对比度磁共振成像（MC - MRI）在临床作用重大，但扫描时间长、与临床诊断隔离限制了其性能。现有研究多注重整体图像质量，忽略特定病理或解剖区域。为此，本文提出基于解剖感知的深度展开网络（A2MC - MRI），实现快速且符合临床需求的多对比度MRI。
方法速览
- 解剖感知的多对比度MRI重建模型：引入解剖感知去噪先验和可学习组稀疏性，实现特定区域高质量成像。
- 可学习的k空间采样模式：联合学习采样模式和重建网络，优化采样策略，提高重建精度。
- 深度展开网络：将迭代算法展开为多阶段深度网络，含去噪、解剖感知数据一致性和组稀疏性模块，实现高效重建。
主要发现
- 多对比度MRI的加速与高质量重建：A2MC - MRI在多个数据集表现卓越。10倍加速下，M4Raw数据集T1WI、T2WI和FLAIR的PSNR显著优于其他方法，TOI的PSNR比MC - J - MoDL提高1.44 dB、1.44 dB和2.62 dB。
- 解剖感知的去噪先验：引入预训练分割网络识别TOI，动态更新权重，保留TOI细节，减少非TOI噪声，相关指标显著优于其他方法。
- 可学习的组稀疏性：学习多对比度图像组稀疏性，融合信息、减少冗余。去除组稀疏性项PSNR至少下降1 dB。
- 任务导向的k空间采样：学习任务导向采样模式，优化采样策略，重建精度显著提升，PSNR比固定采样模式提高约1 dB。
总结展望
A2MC - MRI结合解剖感知去噪先验和可学习组稀疏性，提升了多对比度MRI加速率和图像质量，尤其在特定区域表现突出。不过，该方法依赖像素级标注，主要优化笛卡尔采样，个性化成像能力有限，未来可扩展到非笛卡尔自由轨迹设计和个性化成像。