静态MRI重建的方法总结——关于传统方法和深度学习方法

问题来源：核磁共振成像有着诸多的优点，如准确、成像过程无害等等，然而制约其进一步发展的主要原因是数据采集时间过长。如何加快成像速度，主要有三个方面：（1）设计出更快的采集序列，如快速自旋回波序列（FSE）、梯度回波序列(GRE)等等；（2）采用多个线圈进行并行成像；（3）先进行欠采样（只采集部分数据点，如15%，20%等），再利用图像的先验知识进行重建。

我们主要关注的是第三个方法，欠采样——>再重建。由欠采样图像去重建一幅全采样图像（真实图像），显然是一个NP难的问题（很多全采样图像能对应同一幅欠采样图像）。由于欠采样违反了奈奎斯特采样定理，直接进行频域零填充的时域图像上会发生混叠伪影，如图1、2、3所示。

图 1  原始Brain图像（左），原始Head图像（右）

图 2  径向欠采样模式（左），频域零填充的时域图像（右）发生伪影

图 3  随机欠采样模式，频率零填充的时域图像（右）发生伪影

 

因此我们需要有关于真实图像的一些先验信息，再通过优化的方法去获得一个最优解，这类方法我们可以称之为传统方法。这其中比较著名的理论是压缩感知理论，处理流程如图4所示【1】。而我们经常使用到先验信息有：（1）图像在某一变换域内的稀疏性，如DCT，小波，TV，对应的是  范数以及它的凸近似替代  范数；（2）图像的低秩性，对应的是核范数  ；（3）图像的非局部自相似性，即在一幅图像中，相似的纹理或结构会多次出现。

图 4  压缩感知处理欠采样信号

近年来，随着深度学习的火热，MRI的重建也有了很多基于深度学习方法，如图5所示的网络模型【2】。由于MRI采集的数据是在复数域的，因此直接传到处于实数域的神经网络上肯定不行，一般有两种解决方法，（1）只取MRI数据的实部或者幅度，这样MRI数据就变成了实数。（2）网络的输入是 two channels，分别存MRI的实部和虚部。

图 5  利用神经网络进行欠采样重建

传统方法相对于神经网络的方法而言，是比较难一点的，因为我们需要根据先验信息列出一个优化问题，再通过迭代的方法去求解这个问题，基本不需要或只需要非常少的训练数据。而基于神经网络的方法，不需要我们去求解这个优化问题，我们只需要根据先验信息设计出相应的网络结构，它就会根据大量的训练数据和通用的机器学习算法学到很不错的网络参数。

传统方法比较难，但目的明确；深度学习方法相对简单，但比较虚（心虚）。将传统方法和深度学习方法结合起来也是一个比较好的思路。

 

【1】Lustig M , Donoho D , Pauly J M . Sparse MRI: The application of compressed sensing for rapid MR imaging[J]. Magnetic Resonance in Medicine, 2007, 58(6):1182-1195.

【2】Wang S , Su Z , Ying L , et al. Accelerating magnetic resonance imaging via deep learning[C]// 2016 IEEE 13th International Symposium on Biomedical Imaging (ISBI 2016). IEEE, 2016.