基于虚拟线圈和卷积神经网络的多层同时激发图像重建

摘要：

本文提出一种基于虚拟共轭线圈(Virtual Coil Concept,VCC)技术和k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 coIls 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,SSIM)、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.

关键词：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)

所属期刊栏目：37

分类号：O482.53(固体物理学)

资助基金：深圳市孔雀团队资助项目;中国科学院B类先导专项资助项目;中国科学院影像技术和装备工程实验室资助项目;广东省珠江人才计划资助项目;广东省自然科学基金资助项目;国家自然科学基金资助项目

在线出版日期：2020-12-15（万方平台首次上网日期，不代表论文的发表时间）

页数：共15页

页码：407-421