Multi-contrast MRI acquisitions of an anatomy enrich the magnitude of information available for diagnosis. Yet, excessive scan times associated with additional contrasts may be a limiting factor. Two mainstream frameworks for enhanced scan efficiency are reconstruction of undersampled acquisitions and synthesis of missing acquisitions. Recently, deep learning methods have enabled significant performance improvements in both frameworks. Yet, reconstruction performance decreases towards higher acceleration factors with diminished sampling density at high-spatial-frequencies, whereas synthesis can manifest artefactual sensitivity or insensitivity to image features due to the absence of data samples from the target contrast. In this article, we propose a new approach for synergistic recovery of undersampled multi-contrast acquisitions based on conditional generative adversarial networks. The proposed method mitigates the limitations of pure learning-based reconstruction or synthesis by utilizing three priors: shared high-frequency prior available in the source contrast to preserve high-spatial-frequency details, low-frequency prior available in the undersampled target contrast to prevent feature leakage/loss, and perceptual prior to improve recovery of high-level features. Demonstrations on brain MRI datasets from healthy subjects and patients indicate the superior performance of the proposed method compared to pure reconstruction and synthesis methods. The proposed method can help improve the quality and scan efficiency of multi-contrast MRI exams.

中文翻译：

---

通过生成对抗网络进行加速多对比 MRI 的先验引导图像重建

解剖结构的多对比 MRI 采集丰富了可用于诊断的信息量。然而，与额外对比度相关的过多扫描时间可能是一个限制因素。增强扫描效率的两个主流框架是欠采样采集的重建和缺失采集的合成。最近，深度学习方法在这两个框架中都实现了显着的性能改进。然而，随着高空间频率下采样密度的降低，重建性能向更高的加速因子降低，而由于缺乏来自目标对比度的数据样本，合成可能表现出对图像特征的人工敏感性或不敏感性。在本文中，我们提出了一种基于条件生成对抗网络的欠采样多对比度采集协同恢复的新方法。所提出的方法通过利用三个先验来减轻纯基于学习的重建或合成的局限性：源对比度中可用的共享高频先验以保留高频空间细节，欠采样目标对比度中可用的低频先验以防止特征泄漏/损失，以及在改善高级特征恢复之前的感知。来自健康受试者和患者的大脑 MRI 数据集的演示表明，与纯重建和合成方法相比，所提出的方法具有优越的性能。所提出的方法可以帮助提高多对比 MRI 检查的质量和扫描效率。所提出的方法通过利用三个先验来减轻纯基于学习的重建或合成的局限性：源对比度中可用的共享高频先验以保留高频空间细节，欠采样目标对比度中可用的低频先验以防止特征泄漏/损失，以及在改善高级特征恢复之前的感知。来自健康受试者和患者的大脑 MRI 数据集的演示表明，与纯重建和合成方法相比，所提出的方法具有优越的性能。所提出的方法可以帮助提高多对比 MRI 检查的质量和扫描效率。所提出的方法通过利用三个先验来减轻纯基于学习的重建或合成的局限性：源对比度中可用的共享高频先验以保留高频空间细节，欠采样目标对比度中可用的低频先验以防止特征泄漏/损失，以及在改善高级特征恢复之前的感知。来自健康受试者和患者的大脑 MRI 数据集的演示表明，与纯重建和合成方法相比，所提出的方法具有优越的性能。所提出的方法可以帮助提高多对比 MRI 检查的质量和扫描效率。源对比度中可用的共享高频先验以保留高空间频率细节，欠采样目标对比度中可用的低频先验以防止特征泄漏/丢失，以及感知先验以改善高级特征的恢复。来自健康受试者和患者的大脑 MRI 数据集的演示表明，与纯重建和合成方法相比，所提出的方法具有优越的性能。所提出的方法可以帮助提高多对比 MRI 检查的质量和扫描效率。源对比度中可用的共享高频先验以保留高空间频率细节，欠采样目标对比度中可用的低频先验以防止特征泄漏/丢失，以及感知先验以改善高级特征的恢复。来自健康受试者和患者的大脑 MRI 数据集的演示表明，与纯重建和合成方法相比，所提出的方法具有优越的性能。所提出的方法可以帮助提高多对比 MRI 检查的质量和扫描效率。来自健康受试者和患者的大脑 MRI 数据集的演示表明，与纯重建和合成方法相比，所提出的方法具有优越的性能。所提出的方法可以帮助提高多对比 MRI 检查的质量和扫描效率。来自健康受试者和患者的大脑 MRI 数据集的演示表明，与纯重建和合成方法相比，所提出的方法具有优越的性能。所提出的方法可以帮助提高多对比 MRI 检查的质量和扫描效率。