自 2017 年，上海交通大学与联影开始深度合作以来，致力于提供覆盖「基础研究-临床科研-医学转化」全链条的创新解决方案，共同产出了一系列高质量的科研成果。近日，上海交通大学生物医学工程学院/磁共振诊疗高端技术国家工程研究中心魏红江教授团队基于联影医疗高端科研型 3T 磁共振，创新性地构建了一种基于物理模型的隐式表达神经网络，实现了零训练样本下的快速 MRI 图像高质量重建，突破了传统深度学习方法对大规模训练数据依赖的瓶颈。这项研究为快速 MRI 图像重建领域的提供了全新的视角，有助于进一步实现高效快速成像。
01 研究背景
在本研究中，作者提出了一种零训练数据的无监督深度学习方法用于并行 MRI 重建，即仅仅依赖于欠采样的单个样本数据进行重建，突破了深度学习依赖大规模训练数据的瓶颈。该方法基于隐式神经表达 (Implicit Neural Representation) 的思想，进一步通过将 MRI 图像和线圈灵敏度建模为空间坐标的连续函数，巧妙地将原本复杂的重建逆问题求解转化为连续函数参数优化的全新框架，既实现了线圈灵敏度以及 MRI 图像的联合估计，又极大提升了高倍加速下并行 MRI 的图像重建质量，且克服了有监督式深度学习方法泛化性不足的缺点。
02 研究方法
图 1. 基于隐式表达的线圈灵敏度和 MRI 图像联合重建方法示意图
03 研究成果
图 2 比较了在具有仅 8 条 ACS 线的人脑数据集上使用不同方法重建的结果。从视觉上看，SHLR-SV、H-DSLR 和 IMJENSE 在 R=5 和 R=6 时显著提高了重建图像的质量，而 IMJENSE 结果中的噪声更少。相比之下，其他对比方法在极少的 ACS 数据下未能消除噪声和伪影。表 1 报告了 320 层人脑数据集的定量评估指标。IMJENSE 取得了最高的 PSNR 值，R=5 时为 35.00 dB，R=6 时 为 32.51 dB，以及最高的 SSIM 值，R=5 时为 0.959，R=6 时为 0.942。
此外，该研究还探究了不同方法在不同 ACS 尺寸下的重建性能，以验证所提的 MRI 图像和线圈灵敏度同时估计方案的鲁棒性。如图 3 所示，IMJENSE 对 ACS 尺寸的鲁棒性更强，在所有 ACS 尺寸下实现了最高的 SSIM 值。
该研究还探究了 ACS 的采样模式下所提方法的重建结果。如图 4 所示，在 1D 和 2D 无校准区域的欠采样下，所提出的方法仍能够可靠地重建出线圈灵敏度图像和 MRI 图像，与传统无校准重建方法 P-LORAKS 相比，其重建质量得到极大提升。
04 研究展望
本研究所提出的基于成像物理模型的隐式表达的 MRI 图像及线圈灵敏度同时重建方案，有助于进一步加速图像采集，实现高效成像。鉴于其出色的表现以及无需其他训练数据的优势，有望将该技术拓展至更广泛的扫描场景，包括但不限于人体全身各部位的 MRI，动态 MRI 以及多参数定量 MRI 等。此外，将所提方法集成在特制的硬件加速器上来提高计算效率，可实现实时成像，有助于推动该方法在临床实际中的应用。
[1] Feng, R., Wu, Q., Feng, J., She, H., Liu, C., Zhang, Y., & Wei, H. (2024). IMJENSE: Scan-Specific Implicit Representation for Joint Coil Sensitivity and Image Estimation in Parallel MRI. IEEE transactions on medical imaging, 43(4), 1539–1553.
