Purpose To demonstrate accurate MR image reconstruction from undersampled k‐space data using cross‐domain convolutional neural networks (CNNs) Methods Cross‐domain CNNs consist of 3 components: (1) a deep CNN operating on the k‐space (KCNN), (2) a deep CNN operating on an image domain (ICNN), and (3) an interleaved data consistency operations. These components are alternately applied, and each CNN is trained to minimize the loss between the reconstructed and corresponding fully sampled k‐spaces. The final reconstructed image is obtained by forward‐propagating the undersampled k‐space data through the entire network. Results Performances of K‐net (KCNN with inverse Fourier transform), I‐net (ICNN with interleaved data consistency), and various combinations of the 2 different networks were tested. The test results indicated that K‐net and I‐net have different advantages/disadvantages in terms of tissue‐structure restoration. Consequently, the combination of K‐net and I‐net is superior to single‐domain CNNs. Three MR data sets, the T 2 fluid‐attenuated inversion recovery (T 2 FLAIR) set from the Alzheimer's Disease Neuroimaging Initiative and 2 data sets acquired at our local institute (T 2 FLAIR and T 1 weighted), were used to evaluate the performance of 7 conventional reconstruction algorithms and the proposed cross‐domain CNNs, which hereafter is referred to as KIKI‐net. KIKI‐net outperforms conventional algorithms with mean improvements of 2.29 dB in peak SNR and 0.031 in structure similarity. Conclusion KIKI‐net exhibits superior performance over state‐of‐the‐art conventional algorithms in terms of restoring tissue structures and removing aliasing artifacts. The results demonstrate that KIKI‐net is applicable up to a reduction factor of 3 to 4 based on variable‐density Cartesian undersampling.

Accelerating MRI scans is one of the principal outstanding problems in the MRI research community. Towards this goal, we hosted the second fastMRI competition targeted towards reconstructing MR images with subsampled k-space data. We provided participants with data from 7,299 clinical brain scans (de-identified via a HIPAA-compliant procedure by NYU Langone Health), holding back the fully-sampled data from 894 of these scans for challenge evaluation purposes. In contrast to the 2019 challenge, we focused our radiologist evaluations on pathological assessment in brain images. We also debuted a new Transfer track that required participants to submit models evaluated on MRI scanners from outside the training set. We received 19 submissions from eight different groups. Results showed one team scoring best in both SSIM scores and qualitative radiologist evaluations. We also performed analysis on alternative metrics to mitigate the effects of background noise and collected feedback from the participants to inform future challenges. Lastly, we identify common failure modes across the submissions, highlighting areas of need for future research in the MRI reconstruction community.

Motivation: Current diffusion readout methods have a relatively long echo time and readout duration, which prevent multi-echo imaging. Goal(s): To implement a diffusion sequence with multiple echoes readout for performing diffusion relaxometry. Approach: A 3-echo diffusion sequence, SPIDER, with variable density spiral readout was designed. Results: The proposed SPIDER showed comparable images with reference EPI method at shorter echo time. Impact: The proposed method showed the ability to acquire 3 echoes for 1mm2 resolution for low b-value, which could help multi-echo diffusion modeling.

Motivation: High-performance gradients of the Connectome 2.0 system drastically improve diffusion and imaging encoding to enable submillimeter diffusion imaging with high geometric fidelity. Goal(s): To enable high-resolution, distortion-free diffusion imaging with adequate SNR. Approach: Distortion-free BUDA-gSlider acquisition was deployed on the Connectome 2.0 system, and was compared against acquisitions using gradients derated to the level of clinical systems. Results: The Connectome 2.0 system provides improved diffusion-weighted images with higher SNR and geometric fidelity, particularly at submillimeter resolutions. Impact: High-performance Connectome 2.0 gradients enable high-resolution, distortion-free diffusion-weighted imaging with improved SNR at submillimeter resolutions.

Motivation: There is rich and complementary information in clinical images, which may lend itself to the estimation of relaxometry parameters. Goal(s): To develop a self-supervised network that can estimate T1, T2, and PD maps from contrast-weighted images with high fidelity. Approach: We developed a scan-specific self-supervised model (SSIMPLE) that harnesses Bloch equations and estimates parameter maps from multi-contrast images without the need for a training dataset and additional constraints. Results: High-fidelity T1, T2, and PD maps with minor biases 4.5%, 11.76%, and 15.45%, respectively, were obtained using the proposed self-supervised network. Impact: Using the developed scan-specific self-supervised neural network, SSIMPLE, high-fidelity parameter maps can be estimated from clinically routine contrast-weighted images without the need for an external training dataset or additional constraints.

Motivation: gSlider utilizes radio-frequency encoding to acquire high and isotropic resolution brain diffusion-MRI with high SNR. However, this comes at the cost of prolonged acquisition time, which also increases the sensitivity to motion. Goal(s): This work proposes gSlider Network (gNET) to accelerate gSlider from acquisitions with jointly subsampled RF- and q-space. Approach: The self-supervised model was trained and tested on a 1mm3 resolution BUDA-gSlider dataset (Tacq = 32 min). FSL and the DIMOND self-supervised were used to estimate the diffusion parameters. Results: gNET achieved an acceleration factor of R=2 and, when combined with DIMOND, reached a total R=4-fold (Tacq = 8 min). Impact: gNET facilitates super-resolution dMRI by reducing the acquisition time by 4-fold with high fidelity. Its application may propel new discoveries in the neuroscientific field and the clinical translation of the gSlider framework.

Motivation: Current methods for estimation of shot-to-shot phase variations in multi-shot DWI may not fully exploit the correlations in data. Goal(s): To propose a method which efficiently uses correlations between shots and coils to calculate composite sensitivities and then improve multi-shot DWI reconstruction. Approach: A multi-shot, dual density spiral sequence was designed, with each shot having fully sampled k-space center and undersampled periphery. The center of all shots and all coils are concatenated and fed into ESPIRiT to estimate sensitivities. Results: The proposed method successfully estimated shot-to-shot phase variations and yielded comparable results to the reference locally low-rank regularized reconstruction which requires parameter tuning. Impact: The proposed eSNAILS demonstrated the ability of estimating composite sensitivities that incorporate shot-to-shot phase variations. Compared to low-rank modeling methods that assume phase smoothness, eSNAILS can handle cases where there are abrupt phase changes and does not require parameter tuning.

Motivation: Self-supervised neural network reconstruction improves multi-shot diffusion MRI (dMRI), yet suffers from prohibitively long computation times. Goal(s): To develop a zero-shot self-supervised learning method for fast multi-shot dMRI reconstruction. Approach: We propose a physics-guided neural network that operates in both k- and image-spaces to combine information from different EPI shots. We show that reconstruction quality can be improved with a novel sampling mask strategy, and that faster training is possible with a new training strategy. Finally, we extend our results to SMS acquisitions. Results: Our results show that the proposed method provides improved and fast reconstructions compared to 2-shot LORAKS and 2-shot ZS-SSL. Impact: The proposed physics-guided self-supervised learning method provides fast and high-quality reconstruction of multi-shot diffusion MRI volumes, while also eliminating the need for external training datasets.

Motivation: To address unmet needs for accurate, rapid, and high-fidelity quantitative MRI using a 3D-QALAS sequence. Goal(s): To enable accurate T1 and T2 mapping with reduced biases, g-factor noise amplification, and relaxation-related blurring compared to conventional QALAS. Approach: We employed a zero-shot self-supervised subspace reconstruction technique, Zero-DeepSub, which combines scan-specific deep-learning-based reconstruction with low-rank subspace modeling, and demonstrated the performance using ISMRM/NIST phantom and pediatric patients. Results: Zero-DeepSub enabled a highly accelerated, 2 min acquisition at 1 mm isotropic resolution at 3T, as well as a 5 min pediatric exam at 1.2 mm isotropic resolution at 1.5T. Impact: Zero-DeepSub enabled accurate T1 and T2 mapping with reduced biases, g-factor noise amplification, and relaxation-related blurring, showing the potential to substantially speed up pediatric brain exams, thus obviating the need for or reducing the amount of sedation and anesthesia.

Motivation: Harmonization of quantitative $$$T_{2}^{*}$$$ and susceptibility mapping is of critical interest in research and clinical studies, yet there are no available open-source, harmonized acquisition/reconstruction strategies. Goal(s): To develop open-source sequences and reconstructions for quantitative $$$T_{2}^{*}$$$ and susceptibility mapping with high acceleration. Approach: A 3D multi-echo GRE sequence with wave encoding was implemented on Pulseq. Model-based reconstruction was employed to estimate quantitative maps directly from undersampled k-space. Results: Wave encoding improves quantitative mapping at R=12. While SENSE is more flexible with the choice of sampling patterns, model-based reconstruction performs best with wave-poisson sampling. The latter further improves $$$B_{0}$$$ mapping with less phase warps. Impact: Open-source acquisition with advanced wave encoding and reconstruction have been implemented, which has the potential to facilitate the harmonization of highly-accelerated quantitative $$$T_{2}^{*}$$$, $$$B_{0}$$$ and susceptibility mapping.