基于虚拟线圈和卷积神经网络的多层同时激发图像重建

作者：王婉婷; 苏适; 贾森; 梁栋; 王海峰

来源：波谱学杂志, 2020, 37(04): 407-421.

DOI：10.11938/cjmr20202800

• 磁共振图像重建
• 多层同时成像
• k空间插值鲁棒人工神经网络(RAKI)
• 虚拟线圈
• 卷积神经网络(CNN)

本文提出一种基于虚拟共轭线圈(Virtual Coil Concept,VCC)技术和左空间插值鲁棒人工神经网络(Robust Artificial-neural-networks for k-space Interpolation,RAKI)的图像重建方法,用于磁共振多层同时激发成像(Simultaneous Multi-Slice imaging,SMS),该方法能够有效提升重建图像的质量,被命名为VIRGINIA (VIRtual conjuGate colls Neural-networks InterpolAtion).为了得到更高质量的SMS图像,本文提出的VIRGINIA方法利用磁共振线圈数据的复数共轭对称性质扩展了SMS所获取的多通道数据,并将扩展后的数据用于RAKI网络的训练,利用训练后的网络实现高质量的SMS图像重建.本文将VIRGINIA方法和其他SMS图像重建方法(RAKI和Slice-GRAPPA方法)进行了对比,并采用结构相似指数(Structural Similarity Index,S57M)、峰值信噪比(Peak Signal-to-Noise Ratio,PSNR)和均方根误差(Root Mean Square Error.RMSE)对不同方法的重建图像进行了量化对比分析.结果显示,在相同的SMS加速倍数下,使用VIRGINIA方法进行重建的图像质量均好于RAKI方法,且远好于传统Slice-GRAPPA方法.

• 单位
  中国科学院大学; 中国科学院深圳先进技术研究院