一种端到端的深度学习方法，用于重建基于SMS-PI加速技术的肌肉骨骼磁共振成像（Musculoskeletal MRI）数据

《MEDICAL PHYSICS》：An end-to-end deep learning method for reconstructing SMS-PI accelerated musculoskeletal MRI

　　基于深度学习的多切片并行成像MRI重建方法在8倍加速下达到临床图像质量，通过融合同时多切片成像和并行成像技术，提出端到端深度学习框架，结合近端梯度算法与超分辨率模块，在20例1.5T-3T扫描中验证，显著优于现有方法。

　　

摘要

背景

深度学习（DL）技术使得肌肉骨骼磁共振成像（MRI）的速度提高了多达6倍，同时保持了诊断图像的质量。为了进一步提高成像速度和泛化能力，需要采用新的方法。我们提出了一个DL框架，该框架将“同时多切片”（SMS）成像技术与“并行成像”（PI）技术相结合，以增强基于DL的重建效果。

目的

通过开发一个结合了SMS和PI技术的DL重建框架，来推进肌肉骨骼磁共振成像（MRI）的发展，实现高达8倍甚至更高的成像速度提升，同时保持适合临床解读的图像质量。

方法

我们提出了一个端到端（E2E）的DL框架，用于重建使用SMS和PI技术加速获取的Turbo Spin Echo（TSE）MRI数据。该方法采用了Nesterov动量的近端梯度算法，并集成了一种新的DL网络来实现对同时获取的各切片的联合正则化。通过将完整的SMS正向模型嵌入到DL架构中，实现了切片分离和k空间到图像的重建过程的统一。数据一致性（DC）机制被用来增强去噪效果，而超分辨率模块则提高了图像的清晰度。该强大的DL模型在来自1.5T到3T扫描的超过200,000张切片数据上进行了训练，涵盖了多种采集设置。

结果

所提出的E2E DL模型在成像速度提升方面优于之前的方法，其加速倍数达到了8倍和12倍（通过PSNR（峰值信噪比）和SSIM（结构相似性指数）指标进行衡量）。通过对两名放射科医生进行的前瞻性临床扫描评估，确认该模型的图像质量和异常检测能力与低加速条件下的标准采集结果相当。

结论

我们通过将切片分离功能直接集成到模型中，扩展了现有的DL重建框架，使其适用于SMS采集方式。我们的E2E DL方法在20名受试者中实现了8倍的成像速度提升，同时将采集时间缩短了27%。初步结果表明，该技术有潜力实现高达12倍的进一步加速，显示出相较于现有DL技术的显著进步。

利益冲突声明

作者声明不存在任何利益冲突。