Parallel imaging techniques have been widely used in high-field magnetic resonance imaging (MRI). Multiple receiver coils have been shown to improve image quality and allow accelerated image acquisition. Magnetic resonance imaging at ultra-low fields (ULF MRI) is a new imaging approach that uses SQUID (superconducting quantum interference device) sensors to measure the spatially encoded precession of pre-polarized nuclear spin populations at microtesla-range measurement fields. In this work, parallel imaging at microtesla fields is systematically studied for the first time. A seven-channel SQUID system, designed for both ULF MRI and magnetoencephalography (MEG), is used to acquire 3D images of a human hand, as well as 2D images of a large water phantom. The imaging is performed at 46 microtesla measurement field with pre-polarization at 40 mT. It is shown how the use of seven channels increases imaging field of view and improves signal-to-noise ratio for the hand images. A simple procedure for approximate correction of concomitant gradient artifacts is described. Noise propagation is analyzed experimentally, and the main source of correlated noise is identified. Accelerated imaging based on one-dimensional undersampling and 1D SENSE (sensitivity encoding) image reconstruction is studied in the case of the 2D phantom. Actual 3-fold imaging acceleration in comparison to single-average fully encoded Fourier imaging is demonstrated. These results show that parallel imaging methods are efficient in ULF MRI, and that imaging performance of SQUID-based instruments improves substantially as the number of channels is increased.
SQUID-based instrumentation for ultra-low-field MRI
超低场磁共振成像是一种很有前途的新型成像方法，它利用SQUID传感器在微泰斯拉测量场测量预极化核自旋布居的空间编码进动。在这项工作中，七通道SQUID系统设计的同时三维超低频MRI和脑磁图（MEG）。该系统包括七个二阶SQUID梯度计，其特征在于磁场分辨率为1.2 - 2.8 fT/rtHz。它还配备了五组线圈，用于预偏振的3D傅立叶成像。设计的基本技术细节进行了讨论。该系统的超低频MRI性能是通过在40 mT预极化的46微特斯拉测量场下采集的保存羊脑的多通道3D图像来证明的。成像分辨率为2.5 mm x 2.5 mm x 5 mm。将ULF MRI图像与使用常规高场MRI获得的相同大脑图像进行比较。讨论了提高成像信噪比的各种方法。
An Exploration of Parallel Imaging System for Very-low Field (50mT) MRI Scanner
National Center for Magnetic Resonance in Wuhan, State Key Laboratory of Magnetic Resonance and Atomic and Molecular Physics, Wuhan Institute of Physics and Mathematics, Innovation Academy for Precision Measurement Science and Technology, Chinese Academy of Sciences（中国科学院精密测量科学与技术创新研究院武汉物理与数学研究所磁共振国家中心、磁共振与原子分子物理国家重点实验室）；The school of Electrical Engineering, Chongqing University（重庆大学电气工程学院）；A.A. Martinos Center for Biomedical Imaging, Department of Radiology, Massachusetts General Hospital（麻省总医院放射科A.A.马丁诺斯生物医学成像中心）；Harvard Medical School（哈佛医学院）；Shenzhen Academy of Aerospace Technology（深圳航天科技创新研究院）；The school of Life Science, Northwestern Polytechnical University（西北大学生命科学学院）；Harbin Institute of Technology（哈尔滨工业大学）
GRASP MRI: A Decade of Innovation from Bench to Bedside
New York University Grossman School of Medicine（纽约大学格罗斯曼医学院）；Bernard and Irene Schwartz Center for Biomedical Imaging（伯纳德和艾琳·施瓦茨生物医学成像中心）；Center for Advanced Imaging Innovation and Research (CAI2R)（先进成像创新与研究）
Spatio-temporal wavelet regularization for parallel MRI reconstruction: application to functional MRI
University of Toulouse（图卢兹大学）；CEA-NeuroSpin（法国原子能和替代能源委员会-NeuroSpin）；University Paris-Est（巴黎东大学）
并行MRI是一种快速成像技术，能够在空间或/和时间上采集高分辨率图像。并行成像的性能在很大程度上取决于重建算法，该算法可以在原始k空间（GRAPPA，SMASH）或图像域（SENSE类方法）中进行。为了提高广泛使用的SENSE算法的性能，在小波域中的二维或切片特定的正则化已被深入研究。在本文中，我们扩展了这种方法，使用三维小波表示，以处理所有切片在一起，并解决重建文物传播相邻切片。这种扩展（3D-无约束小波正则化-SENSE：3D-UWR-SENSE）引起的增益在不考虑时间采集的解剖图像重建上得到验证。另一个重要的扩展解释了功能性MRI（fMRI）中连续扫描之间存在的时间相关性。除了2D+t采集方案的情况下，解决了一些其他方法，如kt-FOXLS，我们的方法允许我们处理3D+t采集方案，广泛用于神经成像。所得到的3D-UWR-SENSE和4D-UWR-SENSE重建方案在参考扫描上以极大似然意义估计所有正则化参数的意义上是完全无监督的。这种扩展引起的增益在解剖和功能图像重建上示出，并且还在快速事件相关fMRI协议期间针对4D-UWR-SENSE方法的统计灵敏度方面进行测量。我们的4D-UWR-SENSE算法在受试者和组水平（15名受试者）上优于SENSE重建，适用于不同的感兴趣对比度（例如，运动或计算任务），并在2x2 x3 mm 3 EPI图像上使用不同的并行加速因子（R=2和R…
并行MRI是一种快速成像技术，能够在空间中采集高分辨率图像。它依赖于$k$空间欠采样和具有互补灵敏度曲线的多个接收器线圈，以便重建完整的视场（FOV）图像。并行成像的性能主要取决于重建算法，其可以在原始$k$空间（GRAPPA、SMASH）中进行，也可以在图像域（SENSE类方法）中进行。为了提高广泛使用的SENSE算法的性能，已经有效地研究了小波域中的2D或切片特定的正则化。在本文中，我们扩展了这种方法，使用三维小波表示，以处理所有切片在一起，并解决重建文物传播相邻切片。该扩展还解释了功能性MRI（fMRI）中连续扫描之间存在的时间相关性。所提出的4D重建方案是完全\emph{unsupervised}，在这个意义上，所有正则化参数估计在极大似然意义上的参考扫描。这种扩展引起的增益首先说明EPI图像重建，但也测量在快速事件相关的功能磁共振成像协议的统计灵敏度。对于不同的感兴趣对比度，并在$2\times2\times3$ mm $^3$ EPI图像上使用不同的并行加速因子，所提出的4D-UWR-SENSE算法在受试者和组水平（15个受试者）上的重建性能优于SENSE。
Sparsity-Driven Parallel Imaging Consistency for Improved Self-Supervised MRI Reconstruction
Department of Electrical \& Computer Engineering, University of Minnesota, MN, USA Center for Magnetic Resonance Research, University of Minnesota, MN, USA
Efficient MRI Parallel Imaging Reconstruction by K-Space Rendering via Generalized Implicit Neural Representation
Department of Neuroradiology, University Hospital Heidelberg（神经放射科，海德堡大学医院）；School of Electrical Engineering and Automation, Wuhan University（电气工程与自动化学院，武汉大学）；Momoni AI；Department of Stomatology, Shenzhen People’s Hospital（口腔科，深圳人民医院）；College of Science and Engineering, James Cook University（科学与工程学院，詹姆斯库克大学）；Department of Game Design, Faculty of Arts, Uppsala University（游戏设计系，艺术学院，乌普萨拉大学）；School of Computer Science, University of Sydney（计算机科学学院，悉尼大学）；School of Biomedical Engineering, The University of Sydney（生物医学工程学院，悉尼大学）
提出一种基于广义 INR 的 MRI 并行成像重建框架，利用尺度嵌入编码器和体素先验渲染全采样 k 空间，在 4–6 倍加速下提升质量并降低计算开销。
Pixelwise Uncertainty Quantification of Accelerated MRI Reconstruction
Bernard and Irene Schwartz Center for Biomedical Imaging, Department of Radiology, NYU Grossman School of Medicine（贝纳德与伊蕾娜·施瓦茨生物医学成像中心，放射学系，纽约大学格罗斯曼医学院）；Courant Institute of Mathematical Sciences, NYU（数学科学学院，纽约大学）；Center for Advanced Imaging Innovation and Research (CAI 2 R), Department of Radiology, NYU Grossman School of Medicine（先进成像创新与研究中心（CAI 2 R），放射学系，纽约大学格罗斯曼医学院）
Diffusion MRI microstructure models with in vivo human brain Connectom data: results from a multi-group comparison
已经提出了大量的数学模型来描述扩散加权（DW）磁共振成像（MRI）中的测量信号并推断关于白质微结构的性质。然而，DW-MRI模型的头对头比较在该领域严重缺失。为了解决这一问题，我们在2015年国际生物医学成像研讨会（ISBI）期间组织了“白质建模挑战赛”。这项竞赛旨在确定最能预测看不见的DW数据的DW-MRI模型。在A. A. MartinosCenter（MassachusettsGeneralHospital）的Connectom扫描仪上使用高达300 mT/m的梯度强度和广泛的扩散时间组来获取体内DW-MRI数据。我们专注于评估两个区域中的DW信号预测：胼胝体中的胼胝体，其中纤维相对直且平行，以及穹窿，其中纤维的配置更复杂。挑战参与者可以访问整个数据集的四分之三，他们的模型根据预测剩下的看不见的四分之一数据的能力进行排名。在本文中，我们提供了每个评估模型的概述和更深入的描述，报告了挑战结果，并推断了与高模型排名相关的模型特征的趋势。这项工作为DW-MRI模型提供了一个非常需要的基准。在线提供用于信号预测评估的采集数据和模型细节，以鼓励将来对扩散模型进行更大规模的评估。
Multisession Longitudinal Dynamic MRI Incorporating Patient-Specific Prior Image Information Across Time
New York University Grossman School of Medicine（纽约大学格罗斯曼医学院）；Bernard and Irene Schwartz Center for Biomedical Imaging, Department of Radiology, New York University Grossman School of Medicine（纽约大学格罗斯曼医学院放射学系伯纳德和艾琳·施瓦茨生物医学成像中心）；Center for Advanced Imaging Innovation and Research (CAI2R), Department of Radiology, New York University Grossman School of Medicine（纽约大学格罗斯曼医学院放射学系先进成像创新与研究中心）
Self-Supervised k-Space Regularization for Motion-Resolved Abdominal MRI Using Neural Implicit k-Space Representation
Helmholtz Center Munich（慕尼黑亥姆霍兹中心）；Technical University of Munich（慕尼黑工业大学）；Imperial College London（伦敦帝国学院）；Millenium Institute for Intelligent Healthcare Engineering（千禧智能医疗工程研究所）；Pontificia Universidad Católica de Chile（智利天主教大学）；King’s College London（伦敦国王学院）
