Scalable Non-Cartesian Magnetic Resonance Imaging with R2D2

我们提出了一种新的非笛卡尔磁共振图像重建方法。虽然展开结构通过数据一致性层提供了稳健性，但将测量算子嵌入深度神经网络（DNN）在大规模情况下可能变得不切实际。替代的插入和播放（PnP）方法中，去噪DNN对测量设置不可见，不受此限制，已被证明也是有效的，但它们高度迭代的特性也影响了可扩展性。为了解决这个可扩展性的挑战，我们利用了最近在天文成像中引入的“高动态范围成像的残差对残差DNN序列（R2D2）”方法。R2D2的重建形成为一系列残差图像，迭代地估计为DNN的输出，该DNN以前一次迭代的图像估计和相关数据残差作为输入。该方法可以被解释为匹配追踪算法的学习版本。我们在模拟中演示了R2D2，考虑径向k空间采样采集序列。我们的初步结果表明，R2D2实现了：（i）与其展开版本R2D2-Net相比，性能次优，但由于必须嵌入基于NUFFT的数据一致性层，因此不可扩展；（ii）优于可扩展版本的R2D2-Net，该版本嵌入了FFT-based的数据一致性近似；（iii）优于PnP的重建质量，只需要少量迭代。

解决问题：论文试图提出一种新的非Cartesian MRI重建方法，以解决传统方法中存在的可扩展性问题和迭代次数问题。

关键思路：论文提出了一种名为R2D2的重建方法，它采用了Residual-to-Residual DNN series的思想，将重建过程看作一系列残差图像的迭代估计，并且不需要嵌入NUFFT-based数据一致性层，从而提高了可扩展性。

其他亮点：论文在模拟实验中考虑了径向k空间采样获取序列，结果表明R2D2方法相比于可扩展版本的R2D2-Net和PnP方法具有更好的重建质量，而且只需要进行少量迭代，但与其展开版本R2D2-Net相比性能略差。论文提出的方法可以在未来的医学成像领域中得到应用。

相关研究：最近的相关研究包括使用GAN进行MRI重建的研究（如：Magnetic Resonance Image Reconstruction using Deep Learning with Multiple Data Representations），以及使用迭代算法进行MRI重建的研究（如：A Fast Iterative Shrinkage-Thresholding Algorithm for Low-SNR Magnetic Resonance Image Reconstruction）。