高时-空分辨率三维心肌灌注磁共振成像加速方法研究

With the development of MRI hardware and software technology, MR myocardial perfusion imaging receives increasingly attentions, due to its non-invasive, non-ionizing radiation and early accurate detection of coronary artery disease, local and global observation of cardiac function. However, the current imaging speed cannot meet all the requirements of imaging coverage, temporal resolution, spatial resolution, signal to noise ratio and artifacts. To accelerate the imaging speed, the project will follow three aspects of high-accelerated 3D MR myocardial perfusion imaging: (1) extend 2D spatial dictionary learning to 3D dictionary learning, making full use of the sparsity in spatial-temporal dimensions; (2) develop 3D adaptive learning dictionary in parallel acquisition, mining redundant multi-coil collection of information; (3) propose slide-grouping induced low-rank matrix plus sparse matrix decomposition method, utilizing the same anatomical location in different time frames to fully exploit sparsity and further inhibit the respiratory motion artifacts, noise and aliasing artifacts.The implementation of the project will significantly improve the speed of myocardial perfusion MRI, and promote its clinical application.

针对现有的成像速度无法同时满足心肌灌注MRI对覆盖范围、时间分辨率、空间分辨率、信噪比和伪影的要求问题，本项目拟基于CS和低秩矩阵理论框架对MRI加速方法进行系列研究，通过多种加速方法的结合实现高时-空分辨率三维心肌灌注MRI。首先，基于项目组在自适应字典学习快速高分辨率MRI中积累的研究成果，研究三维字典学习图像重建模型及算法，通过充分利用多空间维度上的稀疏性实现快速三维图像重建；其次，将三维字典学习和并行采集结合，挖掘多线圈信息冗余，进一步加快成像速度；鉴于全局L+S分解在动态帧较多时存在的空间配准不一致问题，提出滑动分组L+S分解方法，将同一解剖位置不同时间帧的图像进行滑动分组分解，研究分组方式和分组参数对图像重建结果的作用和影响，达到既充分挖掘时间稀疏性又有效抑制呼吸运动伪影、噪声和欠采样混叠伪影的目的。本项目的顺利实施将显著提高心肌灌注MRI的速度,促进其临床应用。

心肌灌注磁共振成像由于其非侵入性、无电离辐射以及具有早期准确发现冠状动脉病变、观察局部和整体的心功能等优势，随着磁共振成像软硬件技术的发展日益受到人们的重视。但目前的成像速度无法同时满足磁共振心肌灌注成像对覆盖范围、时间分辨率、空间分辨率、和信噪比的要求，因此迫切需要对加速方法进行研究。. 项目组围绕如何加快心肌灌注磁共振成像的速度进行了系统的研究和探索。具体包括：1）基于稀疏和低秩约束的心肌灌注磁共振成像加速方法。建立优化模型通过稀疏和低秩约束充分挖掘和利用心肌灌注磁共振图像的信息冗余可以显著减少数据采集量，从而加快成像速度。项目组对此展开了系列研究，建立了五种基于稀疏和低秩约束的模型并设计了相应的算法；2）基于优化模型的迭代重建方法经过近十年的快速发展，已进入到一个瓶颈期。深度学习为突破这一瓶颈问题提供了有效途径，通过大数据集的离线学习得到更具表示能力的先验信息，然后用于快速的在线重建。项目组对基于深度学习的快速磁共振成像进行了深入研究。特别是在基于无监督深度学习的快速磁共振成像取得了一些创新性研究成果；3）针对深度学习方法用于快速磁共振成像存在的泛化能力和鲁棒性不足问题，项目组对联合深度学习先验和传统分析先验的快速磁共振成像进行了初步的研究。通过将去噪自编码先验和小波变换结合有效地提高了泛化能力和鲁棒性。将噪声条件评分网络先验和三个维度的全变差结合用于3D心肌灌注成像也取得了初步的研究结果；4）将在加快磁共振成像速度研究中形成的一些思想和模型通过适当的修改用于稀疏投影X线CT图像重建和其他图像恢复问题。相关研究既为心肌灌注磁共振成像提供了快速、高质量的成像工具，同时又丰富了快速磁共振成像的理论。. 本项目已发表期刊论文24篇，其中JCR1区论文6篇；顶级学术会议论文3篇；撰写学术专著1部；申请相关发明专利8项，并获授权5项；培养硕士研究生12人。