摘要

本文介绍了一种名为A-LIKNet的新型深度学习网络，用于在磁共振成像（MRI）重建过程中整合低秩、图像和k空间信息，以实现单次屏气心脏电影成像。该网络通过并行分支结构，分别在k空间和图像域中独立学习，并通过信息共享层实现域间信息交换。此外，引入注意力机制以增强网络对关键线圈和时间帧的关注。实验结果表明，A-LIKNet在高度 retrospectively undersampled 动态MR图像重建中表现优异，最高可达24倍加速，显示出在单次屏气成像中的潜力。

原理

A-LIKNet的核心创新在于其并行分支结构和信息共享层的设计。网络包含两个主要分支：一个k空间分支和一个图像分支。k空间分支专注于学习k空间数据中的通用先验信息，类似于GRAPPA基于的并行成像（PI）方法。图像分支则结合了稀疏先验和动态MR图像的固有低秩特性，通过一个局部时空低秩模块来适应性地施加低秩约束。信息共享层（ISL）连接这两个分支，确保在域间最大化信息的利用和交换。此外，网络中引入了注意力机制，使得k空间子网络能够为不同线圈的特征分配不同的权重，而图像子网络则能够关注更关键的时间帧。

流程

A-LIKNet的工作流程包括以下几个关键步骤：

1. 数据输入：网络接收 undersampled k空间数据、零填充图像、二进制 undersampling 掩码和线圈敏感性图作为输入。
2. 并行学习：k空间分支和图像分支分别处理输入数据，k空间分支通过卷积神经网络（CNN）学习k空间先验，图像分支则通过一个复杂的2D+t UNet学习稀疏先验，并通过低秩子网络施加低秩约束。
3. 信息共享：在每个优化迭代中，信息共享层（ISL）被引入，以最大化多域信息共享。ISL确保重建的图像和k空间数据通过前向模型相互对应。
4. 输出重建：最终输出是重建的k空间数据和图像，这些输出通过损失计算进行优化，以实现k空间和图像的同时重建。

应用

A-LIKNet的应用前景广泛，特别是在需要快速成像的临床环境中，如心脏MRI。其能够在单次屏气中实现高加速因子（最高24倍）的动态MR图像重建，这对于减少患者不适和提高成像效率具有重要意义。此外，该网络的并行分支结构和注意力机制的设计也为未来在其他类型的动态成像技术中的应用提供了可能。