{"id":6102,"date":"2026-03-31T12:16:04","date_gmt":"2026-03-31T12:16:04","guid":{"rendered":"https:\/\/www.proefschriftmaken.nl\/portfolio\/chaoping-zhang\/"},"modified":"2026-03-31T12:16:09","modified_gmt":"2026-03-31T12:16:09","slug":"chaoping-zhang","status":"publish","type":"us_portfolio","link":"https:\/\/www.proefschriftmaken.nl\/en\/portfolio\/chaoping-zhang\/","title":{"rendered":"Chaoping Zhang"},"content":{"rendered":"","protected":false},"excerpt":{"rendered":"","protected":false},"author":8,"featured_media":6103,"comment_status":"closed","ping_status":"closed","template":"","meta":{"_acf_changed":false,"footnotes":""},"us_portfolio_category":[45],"class_list":["post-6102","us_portfolio","type-us_portfolio","status-publish","has-post-thumbnail","hentry","us_portfolio_category-new-template"],"acf":{"naam_van_het_proefschift":"Image Reconstruction and Motion Compensation Methods for Fast MRI","samenvatting":"MRI is een van de meest gebruikte methoden van medische beeldvorming en maakt contrast mogelijk tussen weefsels in verschillende lichaamsdelen. MRI genereert beelden van door de scanner verkregen signalen in de k-ruimte met behulp van verschillende pulssequenties. Zulke acquisities kunnen lang duren, wat een van de grootste nadelen van MRI is. Om de beeldvorming te versnellen, hebben mensen talloze snelle beeldsequenties ontwikkeld in een poging meer data in kortere tijd te verwerven. Een andere manier om de beeldvorming te versnellen is om de bemonstering van de k-ruimte te verminderen, wat uitdagingen voor reconstructie met zich meebrengt. De klinische MRI-scans worden meestal uitgevoerd met een ontvangstspoel met meerdere kanalen en\/of met meerdere pulssequentie-instellingen. De signaalcorrelatie tussen de kanalen of verschillende sequentie-instellingen biedt mogelijkheden voor het reconstrueren van de niet volledig bemonsterde k-ruimte. Dit proefschrift stelt meerdere automatisch gekalibreerde reconstructiemethoden voor die gebruik maken van dergelijke signaalcorrelatie. In dit proefschrift wordt automatische calibratie niet alleen gebruikt om de beeldvorming te versnellen, maar ook om de beweging die tijdens het scannen plaatsvindt te compenseren. Naast de conventionele lineaire manier om de signaalcorrelatie te benutten, hebben we ook niet-lineaire autokalibratie onderzocht met behulp van een neuraal netwerk. Ten slotte hebben we de mogelijke versnelling onderzocht van kwantitatieve MRI door middel van deep learning methode die gebruik maakt van de gedeelde kennis tussen beeldreconstructie en relaxometrie-parametermapping.\n\nIn Hoofdstuk 2 stellen we een reconstructiemethode voor, genaamd APIR4GRASE, voor de GRASE-sequentie. De GRASE-reeks verweeft de spinecho\u2019s en gradi\u00ebntecho\u2019s in de acquisitie en heeft daarom last van modulatie-artefacten van de gemengde echotypes. De APIR4GRASE integreert automatisch gekalibreerde parallelle beeldreconstructie tussen de verschillende echotypes met de geselecteerde geoptimaliseerde bemonsteringspatronen, waardoor een betere beeldkwaliteit wordt bereikt met minder artefacten door aliasing en ruisversterking dan de conventionele 3D-GRASE. Het reconstrueert beelden met alle echotypes als virtuele spoelkanalen, in tegenstelling tot GRAPPA die elk echotype afzonderlijk reconstrueert. Het optimale bemonsteringspatroon van k-ruimte bepalen voor een bepaalde reconstructiemethode vereist het eenmalig afgaan van alle mogelijkheden, terwijl voor vergelijkbare anatomie en scaninstellingen een eenmalige zoekopdracht met retrospectieve subsampling bijna optimaal zou zijn voor prospectieve acquisities. APIR4GRASE gaat uit van een ruimtelijk vloeiend T2*-verval tussen de spin-echo en de gradi\u00ebntecho, wat typisch het geval is in de hersenen. In een prospectieve acquisitie behaalde het 0,8 mm 3D isotrope T2-gewogen beeldvorming van de hersenen met een scantijd van 5,5 minuten, terwijl de alternatieve conventionele GRASE SORT-beeldvorming met een acceleratiefactor van 2 in totaal 9,4 minuten in beslag nam.\n\nIn Hoofdstuk 3 presenteren we APIR4EMC, een methode die beelden met verschillende contrasten reconstrueert door middel van automatisch gekalibreerde parallelle beeldreconstructie waarbij contrasten worden toegevoegd als virtuele spoelen. Het is een uitbreiding van APIR4GRASE (hoofdstuk 2) en reconstrueert meerdere contrasten in plaats van verschillende echotypes in een reeks. In de multi-contrast-beeldvorming worden verschillende contrasten afzonderlijk verkregen met verschillende protocollen, en de signaalevolutie langs de echotrein is daarom ook anders. Het verschil compenseren we met stabilisatie en Fermi-filtering, wat de beeldkwaliteit in onze experimenten verbeterden. We hebben de k-ruimte bemonsteringspatronen van de multi-contrast acquisities geoptimaliseerd zoals in hoofdstuk 1. Met APIR4EMC verbeteren we de beeldkwaliteit ten opzichte van GRAPPA, en bereikten we 1 mm 3D isotroop in-vivo multi-contrast (T1, T1-Fatsat, T2, PD, FLAIR) beeldvorming van de hersenen met een scantijd van 7,5 minuten.\n\nIn Hoofdstuk 4 presenteren we een retrospectieve compensatiemethode voor translatieve beweging bij parallelle beeldvorming met 3D FSE-acquisities. Ervan uitgaande dat er geen beweging is tijdens elke echotrein van de FSE, schatten we de bewegingsparameters tussen de echotreinen. De methode is gebaseerd op de optimalisatie van gegevensconsistentie in de volledig bemonsterde ACS-regio. Om dit mogelijk te maken, wordt verwacht dat het ACS-gebied echo\u2019s van elke trein bevat, waarvoor we de 3D Cartesiaanse k-ruimte met radiale spaken bemonsteren. De optimalisatie wordt gedaan door afwisselend de GRAPPA-voorspellingskernel en bewegingsparameters te schatten. Experimenten met gesimuleerde beweging en gemeten beweging in in-vivo acquisitieresultaten tonen aan dat de voorgestelde methode in staat is om de bewegingsartefacten van de door beweging beschadigde acquisities aanzienlijk te verminderen.\n\nIn Hoofdstuk 5 stellen we een scanspecifieke, automatisch gekalibreerde k-ruimte-aanvulmethode voor parallelle beeldvorming voor, APIR-Net, om de volledige k-ruimte te reconstrueren uit een onderbemonsterde k-ruimte door gebruik te maken van de redundantie tussen de meerdere kanalen in de ontvangstspoel. Het voorgestelde APIR-Net wordt gekenmerkt met een afnemend aantal feature maps wanneer de coderingslaag dieper gaat, en een constante ruimtelijke grootte voor alle feature maps. In tegenstelling tot de conventionele parallelle beeldvormingsmethoden die de reconstructiekernel schatten en interpolatie op een lineaire manier uitvoeren, is APIR-Net in staat om niet-lineaire relaties te leren tussen bemonsterde en niet-bemonsterde posities in k-ruimte. De experimenten tonen aan dat APIR-Net in staat was om ruisversterking te verminderen en de visuele beeldkwaliteit te verhogen en zich meet aan de beste ESPIRiT- en RAKI-methoden in zowel fantoom- als in-vivo-experimenten, waardoor APIR-Net een veelbelovend alternatief is in lage SNR-acquisities.\n\nIn Hoofdstuk 6 stellen we qRIM voor om de kwantitatieve MRI beeldvorming te versnellen. Het integreert een uniform voorwaarts model voor gezamenlijke reconstructie en R2*-mapping van schaarse gegevens in een Recurrent Inference Machine (RIM), een iteratief invers probleemoplossend netwerk. De ge\u00efntegreerde prior van het uniforme voorwaartse model maakt het gemakkelijker om kennis te delen tussen de reconstructie en parameterschatting, inclusief de redundantie tussen TE\u2019s. In de experimenten verminderde de voorgestelde qRIM de fout in de parameter maps en de beeldonscherpte in vergelijking met het alternatieve sequenti\u00eble model van beeldreconstructie en parameteraanpassing, en de reductie van de reconstructiefout nam toe met de versnellingsfactor. Met qRIM bereikten we een stabiele R2*-mapping van de menselijke subcortex, zelfs bij een 9-voudige versnelling.\n\nTot slot, in Hoofdstuk 7, bespreken we de bijdragen en beperkingen van dit proefschrift en een aantal toekomstperspectieven.\n\nConcluderend presenteert dit proefschrift verschillende nieuwe automatisch gekalibreerde methoden om de beeldkwaliteit van reconstructies in acquisities met meerdere beeldsequentie-instellingen te verbeteren. We hebben ook een neuraal netwerk gepresenteerd dat gebruikmaakt van niet-lineaire automatische kalibratie en dat in staat is om voor lage SNR-acquisities een beter beeld te reconstrueren dan de ultramoderne ESPIRiT- en RAKI-methoden. Naast reconstructie we ook een nieuwe retrospectieve compensatiemethode voor translatieve beweging gepresenteerd door gebruik te maken van automatisch gekalibreerde signalen met een specifiek ontworpen weergavevolgorde voor de parallelle beeldvorming van 3D FSE-acquisities. Verder gebruikmakend van de gedeelde kennis tussen de beeldreconstructie en parametertoewijzing, presenteerden we de qRIM-methode die in staat is om de reconstructiekwaliteit van R2* te verbeteren. De methoden voor beeldreconstructie en bewegingscompensatie die in dit proefschrift worden voorgesteld, kunnen bijdragen aan de implementatie van snellere MRI-methoden in de klinische praktijk.","summary":"Magnetic resonance imaging (MRI) is one of the most widely used methods in medical imaging and can provide various soft tissue contrasts for various anatomies. MRI forms images from scanner acquired k-space signals using various imaging pulse sequences. Such acquisitions can take long times, which is one of the major drawbacks of MRI. To speed up, people have developed numerous fast imaging sequences, trying to acquire more k-space signals in shorter time. Another way to accelerate the imaging is subsampling the k-space, which imposes challenges for reconstruction. The clinical MRI scans are usually performed with a multi-channel receive coil and\/or using multiple pulse sequence settings. The signal correlation among the channels or different sequence settings provides opportunities for reconstructing subsampled k-space. This thesis proposes multiple auto-calibrated reconstruction methods by exploiting such signal correlation. In this thesis, the autocalibration is not only used to accelerate the imaging but also to compensate for the motion that happens during the scanning. In addition to the conventional linear way of exploiting the signal correlation, we also explored non-linear autocalibration using a neural network. Finally, we explored the potential of acceleration with a deep learning inverse problem solver by exploiting further the shared knowledge between image reconstruction and relaxometry parameter mapping for quantitative MRI.\n\nIn Chapter 2 we propose a reconstruction method, APIR4GRASE, for the GRASE sequence. The GRASE sequence interleaves the spin echoes and gradient echoes in the acquisition and therefore suffers from modulation artifacts from the mixed echo types. The APIR4GRASE integrates autocalibrated parallel imaging reconstruction among the different echo types with the selected optimized sampling patterns, achieving better image quality with less aliasing artifacts and noise amplification than the conventional 3D-GRASE. It reconstructs images using all echo types as virtual coil channels, in contrast to GRAPPA which individually reconstructs each echo type. The optimal sampling patterns of k-space associated with the proposed reconstruction method require exhaustive search, although for similar anatomies and scanning settings, a one time search with retrospective subsampling would be near optimal for prospective acquisitions. APIR4GRASE assumes spatially smooth T2* decay between the spin echo and the gradient echo, which is typically true in the brain. In a prospective acquisition, it achieved 0.8 mm 3D isotropic T2-weighted brain imaging with scan time of 5.5 minutes, whereas the alternative conventional GRASE SORT imaging with a subsampling factor of 2 took 9.4 min.\n\nIn Chapter 3 we propose APIR4EMC which reconstructs multi-contrast images with autocalibrated parallel imaging reconstruction by adding contrasts as virtual coils. It is extended from APIR4GRASE (Chapter 2) and reconstructs multiple contrasts instead of different echo types in a sequence. In the multi-contrast imaging, different contrasts are acquired separately with different protocols, and the signal evolution along the echo train is therefore also different. We compensate for the difference with stabilization and Fermi filtering, which has been proven in the experiments to be able to improve the image quality. We jointly optimized the k-space sampling patterns of the multi-contrast acquisitions with exhaustive search, similar as in Chapter 1. With APIR4EMC, we improve the image quality over GRAPPA, and achieved 1 mm 3D isotropic in-vivo multi-contrast (T1, T1-Fatsat, T2, PD, FLAIR) brain imaging with scan time of 7.5 minutes.\n\nIn Chapter 4 we propose a retrospective translational motion compensation method for parallel imaging 3D FSE acquisitions. Assuming no motion within each echo train of the FSE, we estimate the motion parameters of every echo train. The method relies on the optimization of data consistency in the fully sampled ACS region. To allow this, the ACS region is expected to contain echoes from every train, for which we propose a radial spokes view ordering for the 3D Cartesian k-space. The optimization is solved by alternating the estimation between the GRAPPA prediction kernel and motion parameters. Experiments with simulated motion and acquired motion in in-vivo acquisitions results show that the proposed method is able to substantially reduce the motion artifacts of the motion corrupted acquisitions.\n\nIn Chapter 5 we propose a scan specific, auto-calibrated k-space completion method for parallel imaging, APIR-Net, to reconstruct the full k-space from an undersampled k-space by exploiting the redundancy among the multiple channels in the receive coil. The proposed APIR-Net is featured with a decreasing number of feature maps when encoding layer goes deeper, and a constant spatial size for all feature maps. Unlike the conventional parallel imaging methods that estimate the prediction kernel and perform interpolation in a linear way, APIR-Net is able to learn nonlinear relations among sampled and unsampled positions in k-space. The experiments show that APIR-Net was able to reduce noise amplification and increase the visual image quality compared to the state-of-the-art ESPIRiT and RAKI methods in both phantom and in-vivo experiments, making APIR-Net a promising alternative in low SNR acquisitions.\n\nIn Chapter 6 we propose qRIM to accelerate the quantitative MR imaging. It embeds a unified forward model for joint reconstruction and R2*-mapping from sparse data in a Recurrent Inference Machine (RIM), an iterative inverse problem solving network. The integrated prior of the unified forward model facilitates the exploitation of the shared knowledge between the reconstruction and parameter estimation, including the redundancy among TEs. In the experiments, the proposed qRIM reduced the mapping error as well as imaging blurriness compared to the alternative sequential model of image reconstruction and parameter fitting, and the reduction of the reconstruction error increased with acceleration factor. With qRIM, we achieved a stable R2* mapping of the human subcortex up to 9-fold acceleration.\n\nFinally, in Chapter 7, we discussed the contributions and limitations of this thesis, and proposed a few future perspectives.\n\nIn conclusion, this thesis presented several new autocalibration methods to improve image quality of reconstruction in acquisitions with multiple imaging sequence settings. We also presented a neural network that exploits non-linear autocalibration and which is able to reconstruct better image for low SNR acquisitions than the state-of-the-art ESPIRiT and RAKI methods. In addition to reconstruction, we also presented a novel retrospective translational motion compensation method by exploiting autocalibrated signals with a specifically designed view ordering for the parallel imaging 3D FSE acquisitions. Further exploiting the shared knowledge between the image reconstruction and parameter mapping, we presented the qRIM method that is able to improve the reconstruction quality of R2*. The image reconstruction and motion compensation methods proposed in this thesis may contribute to the implementation of faster MRI methods in clinical practice.","auteur":"Chaoping Zhang","auteur_slug":"chaoping-zhang","publicatiedatum":"23 november 2022","taal":"EN","url_flipbook":"https:\/\/ebook.proefschriftmaken.nl\/ebook\/chaopingzhang?iframe=true","url_download_pdf":"","url_epub":"","ordernummer":"FTP-202603311213","isbn":"978-94-6469-070-5","doi_nummer":"","naam_universiteit":"Erasmus Universiteit Rotterdam","afbeeldingen":6104,"naam_student:":"","binnenwerk":"","universiteit":"Erasmus Universiteit Rotterdam","cover":"","afwerking":"","cover_afwerking":"","design":""},"_links":{"self":[{"href":"https:\/\/www.proefschriftmaken.nl\/en\/wp-json\/wp\/v2\/us_portfolio\/6102","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/www.proefschriftmaken.nl\/en\/wp-json\/wp\/v2\/us_portfolio"}],"about":[{"href":"https:\/\/www.proefschriftmaken.nl\/en\/wp-json\/wp\/v2\/types\/us_portfolio"}],"author":[{"embeddable":true,"href":"https:\/\/www.proefschriftmaken.nl\/en\/wp-json\/wp\/v2\/users\/8"}],"replies":[{"embeddable":true,"href":"https:\/\/www.proefschriftmaken.nl\/en\/wp-json\/wp\/v2\/comments?post=6102"}],"version-history":[{"count":1,"href":"https:\/\/www.proefschriftmaken.nl\/en\/wp-json\/wp\/v2\/us_portfolio\/6102\/revisions"}],"predecessor-version":[{"id":6105,"href":"https:\/\/www.proefschriftmaken.nl\/en\/wp-json\/wp\/v2\/us_portfolio\/6102\/revisions\/6105"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/www.proefschriftmaken.nl\/en\/wp-json\/wp\/v2\/media\/6103"}],"wp:attachment":[{"href":"https:\/\/www.proefschriftmaken.nl\/en\/wp-json\/wp\/v2\/media?parent=6102"}],"wp:term":[{"taxonomy":"us_portfolio_category","embeddable":true,"href":"https:\/\/www.proefschriftmaken.nl\/en\/wp-json\/wp\/v2\/us_portfolio_category?post=6102"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}