Improved Multi-Shot Diffusion-Weighted MRI with Zero-Shot Self-Supervised Learning Reconstruction

解决问题：本篇论文旨在解决扩散加权MRI图像分辨率受到磁场不均匀性和T2、T2*效应影响而出现的伪影和模糊问题，提出了一种名为zero-MIRID的多次拍摄EPI重建方法，采用深度学习技术进行图像正则化处理，以提高扩散MRI图像的质量。

关键思路：zero-MIRID方法采用深度学习技术，将CNN去噪器应用于k空间和图像空间，同时利用虚拟线圈增强图像重建条件，通过自监督学习技术将采样数据分成三组，联合重建多次拍摄EPI数据，以提高扩散MRI图像的质量。

其他亮点：本文实验结果表明，与当前最先进的并行成像方法相比，zero-MIRID方法在体内实验中取得了更好的结果。值得关注的是，本文提出的zero-MIRID方法可以通过深度学习技术，自主地对多次拍摄EPI数据进行联合重建，而无需准确的相位校正。此外，本文还提供了开源代码，方便其他研究者使用和改进。

关于作者：本文的主要作者包括Jaejin Cho、Yohan Jun、Xiaoqing Wang、Caique Kobayashi和Berkin Bilgic。他们分别来自韩国釜山国立大学、麻省理工学院和马萨诸塞大学医学院，擅长于医学图像处理和机器学习领域。其中，Berkin Bilgic曾在多项医学影像重建方面的研究中发表过重要成果，如“Accelerated MRI using deep learning”和“Fast and robust T1 mapping from multi‐echo inversion recovery EPI using through-time encoding”.

相关研究：近期其他相关的研究包括：

  1. “Deep learning-based super-resolution reconstruction of diffusion-weighted images with reduced distortion and improved anatomical accuracy”，作者为Qiyuan Tian等人，发表于NeuroImage，2021年。
  2. “A deep learning-based framework for high-resolution diffusion MRI through self-supervised and adversarial training”，作者为Yunhe Wang等人，发表于Medical Image Analysis，2021年。
  3. “Deep learning-based image reconstruction in diffusion MRI”，作者为Yaniv Gur等人，发表于Magnetic Resonance in Medicine，2020年。

论文摘要：本研究介绍了一种名为zero-MIRID的新型多次拍摄EPI（msEPI）重建方法，它采用基于深度学习的图像正则化技术来联合重建msEPI数据。该网络在k-和图像空间中都采用了CNN去噪器，并利用虚拟线圈来增强图像重建条件。通过采用自我监督学习技术并将采样数据分成三组，所提出的方法在体内实验中展示了优于最先进的并行成像方法的卓越结果。由于磁场不均匀相关的伪影和由T2和T2*弛豫效应引起的模糊，扩散加权成像通常使用回声平面成像（EPI）进行。然而，扩散加权图像的分辨率常常受到限制。为了解决这些限制，经常使用多次拍摄EPI（msEPI）结合并行成像技术。然而，由于多次拍摄之间的相位变化，重建msEPI可能具有挑战性。

内容中包含的图片若涉及版权问题，请及时与我们联系删除