Chaoping Zhang

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.

In Hoofdstuk 2 stellen we een reconstructiemethode voor, genaamd APIR4GRASE, voor de GRASE-sequentie. De GRASE-reeks verweeft de spinecho’s en gradiëntecho’s 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 gradiëntecho, 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.

In 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.

In 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’s 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.

In 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.

In 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 geïntegreerde prior van het uniforme voorwaartse model maakt het gemakkelijker om kennis te delen tussen de reconstructie en parameterschatting, inclusief de redundantie tussen TE’s. In de experimenten verminderde de voorgestelde qRIM de fout in de parameter maps en de beeldonscherpte in vergelijking met het alternatieve sequentiële 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.

Tot slot, in Hoofdstuk 7, bespreken we de bijdragen en beperkingen van dit proefschrift en een aantal toekomstperspectieven.

Concluderend 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.