基于并行成像技术的在线动态磁共振成像的实时重构算法研究

Dynamic magnetic resonance imaging MRI (dMRI) is a key component of many clinical exams such as cardiac, perfusion imaging. To improve the temporal and spatial resolution of real-time reconstruction for online dMRI, we will do some research on the real-time reconstruction for online dMRI. Our work is as follows: for real-time reconstruction based on the SPIRiT model, we will explore regularization terms of multi-coil images to improve the reconstruction quality, such as the dynamic Joint Total Variation (JTV) regularization term, the forest sparsity regularization term, and the low rank regularization term of the global high dimention tensor, and we will design efficient reconstruction algorithms for the responding problems; for real-time reconstruction based on the SENSE model, we will explore the joint reconstruction model based on multi-coil k-space data and regularization terms of multi-coil images to improve the reconstruction quality, and we will design efficient reconstruction algorithms for solving the responding problems. Finally, we will accomplish parallel optimization with GPU to accelerate the reconstruction. The results of our work will benefit the clinical application of cardiac cine MR, MR image guided therapy and surgery.

动态磁共振成像（dMRI）是一些磁共振成像应用（心脏，灌注、功能和食道成像）的关键。针对在线dMRI实时重构的时空分辨率较差的问题，本项目将开展在线dMRI实时重构算法的研究，主要内容包括：针对基于SPIRiT模型的实时重构，探索使用Dynamic JTV正则项、Forest Sparsity正则项、以及全局高阶张量的低秩正则项等多线圈图像的正则项化技术提高重构质量的方法，并设计针对图像域和频域SPIRiT模型的高效重构算法；针对基于SENSE模型的实时重构，探索基于多个线圈k空间数据相关性的联合模型，并探索使用多线圈图像的正则项提高SENSE模型重构质量的方法，并设计相应的高效重构算法。最后，将对设计的算法进行GPU并行优化，最终实现实时。本项目的研究成果将使得心脏电影MR、MR图像引导的治疗和手术等临床应用受益。

项目主要研究了欠采样并行磁共振成像重构的问题。项目实施四年来，主要取得如下成果：.1）提出基于SPIRiT并行成像重构模型的高效重构算法。将变换学习和联合稀疏（JTL）正则项、非局部低秩约束（NLR）与图像域SPIRiT并行成像重构模型结合，并利用变量分离（VS）和交替方向乘子（ADMM）技术进行求解（分别称作JTL-SPIRiT，NLR-SPIRiT），重构质量有不同程度的提升。为了提高JTL-SPIRiT的重构速度，使用GPU进行加速，重构速度比原始实现版本提高20倍左右，而重构质量相当。针对紧框架（例如：SIDWT）与频域SPIRiT模型结合的复合模型，将采样数据保真项与校正一致项合二为一，再利用算子分裂技术进行求解，大幅提高收敛速度。.2）提出基于SENSE并行成像重构模型的高效重构算法。将Lp伪范数（联合）全变分正则项、NLR正则项、变换学习（TL）、基于外积有效和的字典学习（SOUPDIL）、基于几何方向的多分类字典学习（FDLCP）分别与SENSE、ESPIRiT并行成像重构模型结合，并使用ADMM技术和算子分裂技术进行求解，重构质量获得不同程度的提升。利用算子分裂技术和FISTA对TL-SENSE进行求解，并利用GPU进行优化，可以在1秒之内完成对8线圈的200×200图像的重建。.3）提出基于频域数据结构化低秩模型的高效重构算法。将LpJTV正则项和JTL正则项分别与基于频域数据（k空间数据）结构化低秩的PLORAKS模型或SAKE模型结合，并利用ADMM技术和共轭梯度法进行求解，重构质量获得不同程度的提升。针对含JTL正则项的PLORAKS模型重构时间长的问题，重新设计了重建算法，并引入优化梯度法（Optimized Gradient Method, OGM）提高收敛速度，另外，使用GPU进行加速，重构速度比原始实现版本提高43倍以上，而重构质量相当。.本项目的研究成果全部可直接应用于基于并行成像技术的在线动态磁共振成像的重构，将使得心脏电影MR、MR图像引导的治疗和手术等临床应用受益。