面向可解释性高维度卷积网络表示的快速磁共振成像研究

How to exploit the prior information and design a fast and robust reconstruction algorithm are the two key factors in fast magnetic resonance imaging (MRI). The multi-layer convolutional network opens up an effective way for achieving this. Applicants have accumulated some experience in dictionary learning, convolutional sparse representation and high-dimensional low-rank tensor representation for image reconstruction. In order to achieve efficient and fast MRI imaging, the following studies will be proposed: (1) In-depth analysis of the intrinsic mechanism and prior hypothesis of convolutional network representation will be conducted to obtain modeling strategies that can better convey the prior distribution information of the image, so as to realize highly undersampled accurate reconstruction; (2) In the design of convolutional network, the factors such as structural parameters and high-dimensional low-rank constraint will be explored to get richer representation while further reducing the computation costs; (3) The specific application of learning strategy based on multi-layer convolution network in MRI, such as parallel imaging and post-processing, will be promoted to better integrate observation constraints of specific problems into network modeling and enable effective engineering applications. The three research directions complement each other and make the convolutional network gain rich representation ability in the construction process, hence reduce the scan data and accelerate the imaging. The implementation of the project will extend the clinical application of technologies such as parallel imaging.

如何挖掘图像的先验信息以及设计快速稳健的重建算法是推动磁共振(MRI)快速成像的两大关键因素，多层卷积网络为此开辟了一个有效途径。项目组在字典学习、卷积稀疏表示和高维低秩张量表示促进重建积累了一定经验，为进一步实现高效快速的MRI成像，拟开展如下研究：(1)深入分析卷积网络表示的内在机制和先验信息假设，以得到更好地表达图像先验分布信息的多层卷积网络建模方式，实现高度欠采样的精确重构；(2)在卷积网络设计中深入探究结构参数和高维度低秩等要素，得到更为丰富的表示且使计算量进一步减少；(3)推进基于多层卷积网络学习策略在MRI成像中的应用如并行成像和后处理等，使具体问题的观测约束信息更好地融入于网络建模，进而有效地促进工程应用。三个研究切入点相辅相成、共同促使卷积网络在构建过程中得到更为丰富的表示能力，使扫描数据减少和进一步加速成像。项目的实施将有力地拓宽并行成像和动态成像等技术的临床应用范围。

本项目先后发表论文20余篇，其中在IEEE TMI、TCI、TIP、TMM、TRPMS上发表5篇；MedIA、MRM、MRI和信号处理权威期刊上发表多篇；国际和国内学术会议专题报告或讲座16人次。其中在ISMRM和OCSMRM上分别做专题Lecture talk。授权快速成像相关发明专利3项。授权软件著作权2项。. 在本项目研究成果的基础上，本课题组成员刘且根教授先后获得江西省双千人才和青年井冈学者等荣誉，并获批国家优青科学基金项目和江西省重点研发计划项目。张明辉教授和刘元元副研究员相继中标国家基金地区项目和青年项目各一项。目前正在准备材料，拟2022年申报江西省自然科学奖。. 依托国家自然科学基金“面向可解释性高维度卷积网络表示的快速磁共振成像研究”，集中在稀疏表示及字典优化、梯度域上的处理和复杂观测场景下模型优化三个方面。取得的主要研究进展结果包括：.一、新型无监督及半监督型卷积网络模型构建。本课题主要研究内容为主攻可解释性问题，期望把网络表示作为数据的一种灵活的先验信息表示手段，具有较好的数据可解释性、使用灵活性和应用迁移性。先后从去噪自编码、分数匹配模型、扩散模型和深度能量模型等角度进行深入分析和挖掘，先后发表论文8篇，授权发明专利3项。.二、高维结构约束下的卷积网络优化及设计。本课题主要研究内容为聚焦高维空间下挖掘各种结构约束下的先验信息优化及设计。从通道复制、小波变换、幅度-梯度、频率等角度构造多通道或高维空间先验信息辅助深度学习建立具有更优结构和约束的图像表示模型，提出一系列在高位空间进行处理的学习算法，先后发表8篇论文，授权发明专利2项。.三、复杂成像环境下成像及后处理网络研究。本项目组课题主要研究内容为探索复杂成像环境下成像及后处理网络的研究。围绕从磁共振成像重建到更多模态成像如CT成像重建等以及在更加复杂环境下如非高斯噪声环境下进行成像及后处理的场景进行建模分析。在CT成像、图像恢复、超分辨率重建和非高斯噪声下成像方面发表论文8篇，授权发明专利3项。