While enabling accelerated acquisition and improved reconstruction accuracy, current deep MRI reconstruction networks are typically supervised, require fully sampled data, and are limited to Cartesian sampling patterns. These factors limit their practical adoption as fully-sampled MRI is prohibitively time-consuming to acquire clinically. Further, non-Cartesian sampling patterns are particularly desirable as they are more amenable to acceleration and show improved motion robustness. To this end, we present a fully self-supervised approach for accelerated non-Cartesian MRI reconstruction which leverages self-supervision in both k-space and image domains. In training, the undersampled data are split into disjoint k-space domain partitions. For the k-space self-supervision, we train a network to reconstruct the input undersampled data from both the disjoint partitions and from itself. For the image-level self-supervision, we enforce appearance consistency obtained from the original undersampled data and the two partitions. Experimental results on our simulated multi-coil non-Cartesian MRI dataset demonstrate that DDSS can generate high-quality reconstruction that approaches the accuracy of the fully supervised reconstruction, outperforming previous baseline methods. Finally, DDSS is shown to scale to highly challenging real-world clinical MRI reconstruction acquired on a portable low-field (0.064 T) MRI scanner with no data available for supervised training while demonstrating improved image quality as compared to traditional reconstruction, as determined by a radiologist study.

在实现加速采集和提高重建精度的同时，当前的深度 MRI 重建网络通常受到监督，需要完全采样的数据，并且仅限于笛卡尔采样模式。这些因素限制了它们的实际采用，因为在临床上获取完全采样的 MRI 非常耗时。此外，非笛卡尔采样模式是特别理想的，因为它们更适合加速并显示出改进的运动鲁棒性。为此，我们提出了一种用于加速非笛卡尔 MRI 重建的完全自我监督的方法，该方法利用 k 空间和图像域中的自我监督。在训练中，欠采样数据被分成不相交的 k 空间域分区。对于 k 空间自我监督，我们训练网络从不相交的分区和自身重建输入欠采样数据。对于图像级自监督，我们强制从原始欠采样数据和两个分区获得外观一致性。我们模拟的多线圈非笛卡尔 MRI 数据集的实验结果表明，DDSS 可以生成高质量的重建，接近完全监督重建的准确性，优于以前的基线方法。最后，DDSS 被证明可以扩展到在便携式低场 (0.064 T) MRI 扫描仪上采集的极具挑战性的现实世界临床 MRI 重建，没有可用于监督训练的数据，同时证明与传统重建相比图像质量有所提高，由放射科医生的研究。对于图像级自监督，我们强制从原始欠采样数据和两个分区获得外观一致性。我们模拟的多线圈非笛卡尔 MRI 数据集的实验结果表明，DDSS 可以生成高质量的重建，接近完全监督重建的准确性，优于以前的基线方法。最后，DDSS 被证明可以扩展到在便携式低场 (0.064 T) MRI 扫描仪上采集的极具挑战性的现实世界临床 MRI 重建，没有可用于监督训练的数据，同时证明与传统重建相比图像质量有所提高，由放射科医生的研究。对于图像级自监督，我们强制从原始欠采样数据和两个分区获得外观一致性。我们模拟的多线圈非笛卡尔 MRI 数据集的实验结果表明，DDSS 可以生成高质量的重建，接近完全监督重建的准确性，优于以前的基线方法。最后，DDSS 被证明可以扩展到在便携式低场 (0.064 T) MRI 扫描仪上采集的极具挑战性的现实世界临床 MRI 重建，没有可用于监督训练的数据，同时证明与传统重建相比图像质量有所提高，由放射科医生的研究。我们模拟的多线圈非笛卡尔 MRI 数据集的实验结果表明，DDSS 可以生成高质量的重建，接近完全监督重建的准确性，优于以前的基线方法。最后，DDSS 被证明可以扩展到在便携式低场 (0.064 T) MRI 扫描仪上采集的极具挑战性的现实世界临床 MRI 重建，没有可用于监督训练的数据，同时证明与传统重建相比图像质量有所提高，由放射科医生的研究。我们模拟的多线圈非笛卡尔 MRI 数据集的实验结果表明，DDSS 可以生成高质量的重建，接近完全监督重建的准确性，优于以前的基线方法。最后，DDSS 被证明可以扩展到在便携式低场 (0.064 T) MRI 扫描仪上采集的极具挑战性的现实世界临床 MRI 重建，没有可用于监督训练的数据，同时证明与传统重建相比图像质量有所提高，由放射科医生的研究。