To develop an improved k-space reconstruction method using scan-specific deep learning that is trained on autocalibration signal (ACS) data.Robust artificial-neural-networks for k-space interpolation (RAKI) reconstruction trains convolutional neural networks on ACS data. This enables nonlinear estimation of missing k-space lines from acquired k-space data with improved noise resilience, as opposed to conventional linear k-space interpolation-based methods, such as GRAPPA, which are based on linear convolutional kernels.The training algorithm is implemented using a mean square error loss function over the target points in the ACS region, using a gradient descent algorithm. The neural network contains 3 layers of convolutional operators, with 2 of these including nonlinear activation functions. The noise performance and reconstruction quality of the RAKI method was compared with GRAPPA in phantom, as well as in neurological and cardiac in vivo data sets.Phantom imaging shows that the proposed RAKI method outperforms GRAPPA at high (≥4) acceleration rates, both visually and quantitatively. Quantitative cardiac imaging shows improved noise resilience at high acceleration rates (rate 4:23% and rate 5:48%) over GRAPPA. The same trend of improved noise resilience is also observed in high-resolution brain imaging at high acceleration rates.The RAKI method offers a training database-free deep learning approach for MRI reconstruction, with the potential to improve many existing reconstruction approaches, and is compatible with conventional data acquisition protocols.

Following the success of deep learning in a wide range of applications, neural network-based machine learning techniques have received interest as a means of accelerating magnetic resonance imaging (MRI). A number of ideas inspired by deep learning techniques from computer vision and image processing have been successfully applied to non-linear image reconstruction in the spirit of compressed sensing for both low dose computed tomography and accelerated MRI. The additional integration of multi-coil information to recover missing k-space lines in the MRI reconstruction process, is still studied less frequently, even though it is the de-facto standard for currently used accelerated MR acquisitions. This manuscript provides an overview of the recent machine learning approaches that have been proposed specifically for improving parallel imaging. A general background introduction to parallel MRI is given that is structured around the classical view of image space and k-space based methods. Both linear and non-linear methods are covered, followed by a discussion of recent efforts to further improve parallel imaging using machine learning, and specifically using artificial neural networks. Image-domain based techniques that introduce improved regularizers are covered as well as k-space based methods, where the focus is on better interpolation strategies using neural networks. Issues and open problems are discussed as well as recent efforts for producing open datasets and benchmarks for the community.

Abstract Functional magnetic resonance imaging (fMRI) has become one of the most powerful tools for investigating the human brain. However, virtually all fMRI studies have relatively poor signal-to-noise ratio (SNR). Here we introduce a novel fMRI denoising technique, which suppresses noise that is indistinguishable from zero-mean, Gaussian-distributed noise. Thermal noise, falling in this category, is a major source of noise in fMRI, particularly, but not exclusively, at high spatial and/or temporal resolutions. Using 7-Tesla high-resolution data, we demonstrate improvements in temporal-SNR, the detection of stimulus-induced signal changes, and functional maps, while leaving stimulus-induced signal change amplitudes, image spatial precision, and functional point-spread-function unaltered. We also show that the method is equally applicable when using supra-millimeter resolution 3- and 7-Tesla fMRI data, different cortical regions, stimulation/task paradigms, and acquisition strategies. This denoising approach improves key metrics of functional activation detection while preserving spatial precision.

Abstract Diffusion-weighted magnetic resonance imaging (dMRI) has found great utility for a wide range of neuroscientific and clinical applications. However, high-resolution dMRI, which is required for improved delineation of fine brain structures and connectomics, is hampered by its low signal-to-noise ratio (SNR). Since dMRI relies on the acquisition of multiple different diffusion weighted images of the same anatomy, it is well-suited for denoising methods that utilize correlations across the image series to improve the apparent SNR and the subsequent data analysis. In this work, we introduce and quantitatively evaluate a comprehensive framework, NOise Reduction with Distribution Corrected ( NORDIC ) PCA method for processing dMRI. NORDIC uses low-rank modeling of g-factor-corrected complex dMRI reconstruction and non-asymptotic random matrix distributions to remove signal components which cannot be distinguished from thermal noise. The utility of the proposed framework for denoising dMRI is demonstrated on both simulations and experimental data obtained at 3 Tesla with different resolutions using human connectome project style acquisitions. The proposed framework leads to substantially enhanced quantitative performance for estimating diffusion tractography related measures and for resolving crossing fibers as compared to a conventional/state-of-the-art dMRI denoising method. Highlights We propose a framework, NORDIC, for denoising complex valued dMRI data using Gaussian statistics The effectiveness of the proposed denoising method is distinguished by the ability to remove only signal which cannot be distinguished from thermal noise The proposed method outperforms a state-of-art method for denoising dMRI in terms of fiber orientation dispersion Quantitative evaluation of NORDIC across different resolutions and SNR using human connectome type acquisitions and analysis shows up to 6 fold improvement in apparent SNR for 0.9mm whole brain dMRI at 3T.

Quantitative parameter mapping conventionally relies on curve fitting techniques to estimate parameters from magnetic resonance image series. This study compares conventional curve fitting techniques to methods using neural networks (NN) for measuring T

Abstract As the neuroimaging field moves towards detecting smaller effects at higher spatial resolutions, and faster sampling rates, there is increased attention given to the deleterious contribution of unstructured, thermal noise. Here, we critically evaluate the performance of a recently developed reconstruction method, termed NORDIC, for suppressing thermal noise using datasets acquired with various field strengths, voxel sizes, sampling rates, and task designs. Following minimal preprocessing, statistical activation (t-values) of NORDIC processed data was compared to the results obtained with alternative denoising methods. Additionally, we examined the consistency of the estimates of task responses at the single-voxel, single run level, using a finite impulse response (FIR) model. To examine the potential impact on effective image resolution, the overall smoothness of the data processed with different methods was estimated. Finally, to determine if NORDIC alters or removes important temporal information, we employed an exhaustive leave-p-out cross validation approach, using FIR task responses to predict held out timeseries, quantified using R 2 . After NORDIC, the t-values are increased, an improvement comparable to what could be achieved by 1.5 voxels smoothing, and task events are clearly visible and have less cross-run error. These advantages are achieved in the absence of large changes in estimates of spatial smoothness. Cross-validated R 2 s based on the FIR models show that NORDIC is not measurably distorting the temporal structure of the data and is the best predictor of non-denoised time courses. The results demonstrate that analyzing 1 run of data after NORDIC produces results equivalent to using 2 to 3 original runs and that NORDIC performs equally well across a diverse array of functional imaging protocols. Significance Statement For functional neuroimaging, the increasing availability of higher field strengths and ever higher spatiotemporal resolutions has led to concomitant increase in concerns about the deleterious effects of thermal noise. Historically this noise source was suppressed using methods that reduce spatial precision such as image blurring or averaging over a large number of trials or sessions, which necessitates large data collection efforts. Here, we critically evaluate the performance of a recently developed reconstruction method, termed NORDIC. Across datasets varying in field strength, voxel sizes, sampling rates, and task designs, NORDIC produces substantial gains in data quality. Both conventional t-statistics derived from general linear models and coefficients of determination for predicting unseen data are improved, while avoiding meaningful increases in typical estimates of image smoothness or substantial losses of temporal information.

Real-time cine cardiac MRI provides an ECG-free free-breathing alternative to clinical gold-standard ECG-gated breath-hold segmented cine MRI for evaluation of heart function. Real-time cine MRI data acquisition during free breathing snapshot imaging enables imaging of patient cohorts that cannot be imaged with segmented or breath-hold acquisitions, but requires rapid imaging to achieve sufficient spatial-temporal resolutions. However, at high acceleration rates, conventional reconstruction techniques suffer from residual aliasing and temporal blurring, including advanced methods such as compressed sensing with radial trajectories. Recently, deep learning (DL) reconstruction has emerged as a powerful tool in MRI. However, its utility for free-breathing real-time cine MRI has been limited, as database-learning of spatio-temporal correlations with varying breathing and cardiac motion patterns across subjects has been challenging. Zero-shot self-supervised physics-guided deep learning (PG-DL) reconstruction has been proposed to overcome such challenges of database training by enabling subject-specific training. In this work, we adapt zero-shot PG-DL for real-time cine MRI with a spatio-temporal regularization. We compare our method to TGRAPPA, locally low-rank (LLR) regularized reconstruction and database-trained PG-DL reconstruction, both for retrospectively and prospectively accelerated datasets. Results on highly accelerated real-time Cartesian cine MRI show that the proposed method outperforms other reconstruction methods, both visibly in terms of noise and aliasing, and quantitatively.

Motivation: Optimization of parallel transmission (pTx) pulse design with hard constraints on SAR will benefit from faster approaches. Goal(s): We seek to incorporate hard quadratic constraints for pTx using a physics-driven deep learning (DL) approach. Approach: We unroll an extension of the log-barrier method to enforce SAR constraints, while learning the optimal gradient step sizes using a neural network. This strategy accelerates optimization with fewer steps, while not sacrificing performance. Results: Preliminary results show that our method is faster than traditional techniques like CVXPY with similar performance. Impact: Our proposed method reduces the time-consuming optimization used in conventional pTx and may lead to improvements especially for real-time UHF applications.

Abstract Quantitative maps of rotating frame relaxation (RFR) time constants are sensitive and useful magnetic resonance imaging tools with which to evaluate tissue integrity in vivo. However, to date, only moderate image resolutions of 1.6 x 1.6 x 3.6 mm 3 have been used for whole‐brain coverage RFR mapping in humans at 3 T. For more precise morphometrical examinations, higher spatial resolutions are desirable. Towards achieving the long‐term goal of increasing the spatial resolution of RFR mapping without increasing scan times, we explore the use of the recently introduced Transform domain NOise Reduction with DIstribution Corrected principal component analysis (T‐NORDIC) algorithm for thermal noise reduction. RFR acquisitions at 3 T were obtained from eight healthy participants (seven males and one female) aged 52 ± 20 years, including adiabatic T1ρ, T2ρ, and nonadiabatic R elaxation Al ong a F ictitious F ield (RAFF) in the rotating frame of rank n = 4 (RAFF4) with both 1.6 x 1.6 x 3.6 mm 3 and 1.25 x 1.25 x 2 mm 3 image resolutions. We compared RFR values and their confidence intervals (CIs) obtained from fitting the denoised versus nondenoised images, at both voxel and regional levels separately for each resolution and RFR metric. The comparison of metrics obtained from denoised versus nondenoised images was performed with a two‐sample paired t ‐test and statistical significance was set at p less than 0.05 after Bonferroni correction for multiple comparisons. The use of T‐NORDIC on the RFR images prior to the fitting procedure decreases the uncertainty of parameter estimation (lower CIs) at both spatial resolutions. The effect was particularly prominent at high‐spatial resolution for RAFF4. Moreover, T‐NORDIC did not degrade map quality, and it had minimal impact on the RFR values. Denoising RFR images with T‐NORDIC improves parameter estimation while preserving the image quality and accuracy of all RFR maps, ultimately enabling high‐resolution RFR mapping in scan times that are suitable for clinical settings.

Evaluate the feasibility of quantification of Relaxation Along a Fictitious Field in the 2nd rotating frame (RAFF2) relaxation times in the human myocardium at 3 T.