Image reconstruction in MRI is a key process that generates images from the measured MR signal. In the case of parallel imaging, image reconstruction is an ill-posed problem and it has traditionally been performed by deterministic algorithms. Recently due to the rapid development of the deep learning methods, it has become possible to solve the problem by using example-based deep learning methods. The proposed novel neural network architecture named ‘ETER-net’ is a unified solution to reconstruct MR image directly from k-space data in various k-space trajectories.
In the proposed method, the proposed neural network consists of two parts, such as a domain transform network and a refinement network, to reconstruct the final image with high image quality. The domain transform network of the proposed method should conduct domain transforming from sensor domain to image domain. As examine the output features of recurrent layers, it is verified that the domain transform network is working as expected. To improve the network performance, additional SSIM loss function is applied. To demonstrate the practical application of the proposed method, k-space data acquired at a 3T MRI scanner with Cartesian and radial trajectories are used.
As the proposed network is a unified solution for image reconstruction, it can be applied to different types of k-space trajectories, including the Cartesian, non-Cartesian, fully-sampled and under-sampled datasets. And it is more appropriate for reconstruction of MR images from multiple sets of k-space data acquired from multi-channel RF coil. The main advantage of the proposed method in comparison with the conventional method (which is consists of fully connected layers and convolutional layers) is that it dramatically decreases the number of parameters in the network. The tendency of blurry results was found again when only the Euclidean distance was used as the loss function, and it was verified again that it could be overcome through additional losses. The proposed method is an end-to-end MR image reconstruction method based on recurrent neural networks. It performs direct mapping of the input k-space data and the reconstructed images, operating as a unified solution that is applicable to various scanning trajectories.
자기공명신호로부터 영상을 복원하는 것은 자기공명영상법에서 가장 핵심 과정이라고 할 수 있다. 병렬영상법의 경우, 영상을 복원하는 것은 정확한 해를 구할 수 없는 문제이며, 기존에는 영상 복원을 결정적 알고리즘을 통해 수행하였다. 최근에는 심층학습법의 급격한 발달로 인해, 영상 복원 문제를 데이터 기반의 심층학습법을 적용하여 해결 할 수 있게 되었다. 제안하는 새로운 신경망 구조체는 자기공명영상을 자기공명신호 공간인 k-공간으로부터 직접 영상으로 복원하는데 사용할 수 있는 구조체이다.
제안하는 신경망은 두 개의 요소로 구성되어 있는데, 양방향 순환신경회로망과 합성곱신경회로망이 그것이다. 양방향 순환신경회로망은 k-공간 데이터를 영상화 하기 위한 변환과 부족한 데이터에서 발생되는 접힘을 펼치는 역할을 수행한다. 이는 k-공간과 영상이 푸리에 변환 관계에 있기 때문에 변환을 위해서는 전체 k-공간에 대한 데이터를 모두 적분시켜야 영상에서의 한 점으로 변환할 수 있다는 점에서 착안한 것이다. 이를 위하여 양방향 순환신경회로망을 사용하여 입력되는 전체 k-공간의 데이터가 모두 반영될 수 있도록 설계하였다. 또한, 추가적인 합성곱신경회로망을 활용하여 영상에 발생하는 인공물을 제거할 수 있도록 하였다.
실험을 통해 구조체의 크기를 최적화 하고, 구조체 가지치기 방법을 통해서 구조체의 크기를 줄일 수 있음을 보였다. 또한, 공개 데이터를 사용하여서 제안하는 방법이 다른 데이터에서도 적용할 수 있음을 검증하였다. 제안하는 방법이 데카르트좌표계 뿐 아니라 방사좌표계에도 적용할 수 있음을 실험을 통해 검증하였다.
