Multi-Modal MRI Reconstruction Assisted with Spatial Alignment Network【论文阅读】

摘要

在医疗引用中，核磁共振经常要分析不同分辨率的数据，在实际采集过程中，对某一些模态降采样，并利用模态间数据的冗余性，由全采样的模态对这部分模态进行更加有效的重建是一种思路，然而，由于空间不对齐（spatial misalignment），这种重建可能带来负面影响，本文通过引入空间对齐，提升了目标模态的重建质量。

方法

为了实现空间对齐，本文使用了两种方式：

• 衡量源模态图像（reference image）和生成目标模态图像（target image）之间的空间对齐关系，从而扭曲源模态图像。
• 为了解决二者对比度不同的问题，在重建损失（本文中使用了L1范数，除此之外还引入了GAN损失）之外额外引入了配准损失（registration loss）。我看了一下实际上就是在扭曲源模态图像的时候对变换进行优化。

变量定义

定义全采样的MRI图像$x\in {\mathbb{C}}^N$，其中$N=N_x\ast N_y$，x为负数。

空间对齐网络（Spatial Alignment Network）与${\mathcal{L}}_{smooth}$计算

估计一个置换场$\Phi$，为0填充k空间复原的高分辨率target模态图像和reference模态图像的空间差异计算出。

$\Phi \in {\mathbb{R}}^{2\ast N}$，相当于把x从复数域展开了，所以维数是两倍，具体使用$\Phi$进行配准的操作是：
$$A_{ref}^{Align}=S(\Phi ,x_{ref})$$
$$S(\Phi ,x_{ref})[p]=x_{ref}[p+\Phi [p]]$$
而根据这个置换场计算出smooth损失，用以调优这个置换场。配准中的常规操作。

整体算法流程

$\theta$定义重建算法参数，$w$定义配准参数，$\rho$定义GAN的生成器参数，$\gamma$定义GAN的判别器参数。