综述：先进心脏磁共振成像：整合人工智能和机器学习进行图像后重建

本综述系统探讨了深度学习（DL）在心脏磁共振（CMR）图像重建中的前沿进展，重点涵盖加速成像、去噪、超分辨率、运动伪影校正及定量映射（如T1/T2 mapping）等核心应用。文章强调AI技术正推动CMR从传统并行成像（PI）和压缩感知（CS）向数据驱动范式转变，旨在提升图像质量、诊断可靠性及临床可及性，为心血管疾病的精准诊疗开辟新路径。

　　

引言

心血管磁共振（CMR）成像是一种无创、无辐射的成像方式，广泛应用于临床实践，用于诊断和评估心血管疾病。它提供关于心脏形态、功能、灌注、心肌微结构和血流动力学的全面信息，使其成为心血管研究和患者护理的关键工具。尽管有这些优势，CMR仍面临挑战，包括高成本、扫描时间长和检查复杂度高。此外，由于心脏和呼吸运动、肺部邻近区域产生的磁敏感效应以及患者（尤其是严重心血管疾病患者）屏气困难，图像质量可能受到运动伪影的影响。

为了提高CMR图像采集的效率和速度，并行成像（PI）和压缩感知（CS）等技术已被广泛采用。PI利用多个接收线圈的空间敏感性，通过减少冗余的空间编码来加速数据采集。CS则通过非线性优化，利用MRI信号在诸如小波分解等变换下的固有稀疏性，实现对欠采样k空间数据的图像重建。虽然这些方法显著推进了CMR成像，但它们仍然受到硬件限制、依赖复杂的参数调整和计算负担的制约。

近年来，深度学习（DL）作为人工智能（AI）的一个子集，已成为医学成像（包括CMR）中的变革性方法。在讨论AI在CMR中的作用之前，有必要了解图像重建的基础知识。重建将原始的k空间数据转换为临床可用的图像，其主要挑战包括欠采样、运动伪影和噪声。虽然传统的重建技术提高了采集效率，但它们对手工先验和迭代优化的依赖限制了其适应性。相比之下，基于DL的重建通过直接从大数据集中学习复杂的信号模式，已展现出卓越的图像质量和速度。DL在CMR的各个方面显示出潜力，包括分割、分类、图像增强、运动校正和心脏功能分析。技术进步已展现出前所未有的成像加速能力和显著缩短的重建时间。

本章重点介绍AI在CMR图像重建中的作用，这是成像工作流程中的关键步骤。我们首先讨论CMR重建的基础知识，将其表述为一个逆问题，并概述基于DL的重建的一般模型。接着，我们总结当前基于DL的图像重建模型的实现，并回顾解决CMR中关键限制的最新技术。最后，我们将讨论基于DL的CMR图像重建面临的挑战和机遇。通过此讨论，我们旨在强调AI在优化CMR成像和推进其临床及研究应用方面不断演变的作用。

CMR重建的一般模型

图像重建是磁共振成像的基本步骤，它将原始的频域测量值转换为临床可解释的图像。这对于实现所需的成像速度、空间和时间分辨率以及疾病敏感性至关重要。与人体其他器官不同，心脏始终处于心脏和呼吸周期运动中。关键的CMR序列，如电影成像、多参数映射、首过灌注和4D血流成像，与传统的静态2D图像相比，需要额外的维度。这使得CMR重建特别具有挑战性。在本节中，我们将简要介绍MRI图像重建理论、基于DL的图像重建的公式化及其在CMR应用中的应用。

CMR重建理论

MR图像重建可以表述为一个逆问题，旨在检索图像x ∈ C^T×X×Y×Z，该图像与采集的k空间数据k ∈ C^M一致。在CMR中，x是由T个时间帧和空间维度X, Y, Z组成的序列，M是采集的k空间位置数量。欠采样图像采集的前向模型可以表述为：

k = A F S U x + ε

其中A是采样算子，F是空间傅里叶变换，S是应用线圈灵敏度剖面的算子，U是运动算子，ε是测量噪声。

重建图像的逆问题可以表述为一个优化问题：

min_x || A F S U x - k ||₂² + λ R(x)

其中R: C^T×X×Y×Z → R是一个正则化函数，λ是一个可调参数，用于施加先验知识并正则化解。

在过去的二十年中，已经开发了几种策略来加速CMR采集并提高图像质量。并行成像技术，如SENSE和GRAPPA，利用线圈灵敏度剖面有效重建缺失的k空间数据，提高空间分辨率和采集速度，而无需显式正则化。CS利用MR图像在特定变换域（如小波）中的稀疏性，或应用维度约束，通过迭代优化实现欠采样数据的高保真重建。此外，低秩张量公式利用动态MR数据中的时空相关性来约束解空间，从而在高度加速的采集中获得改进的图像质量。

尽管CS和低秩方法通过结合学习到的先验知识在加速能力方面展现出巨大进步，但基于优化的迭代CMR重建仍然面临挑战，包括超参数调整和重建时间延长，特别是在高加速因子下。为了解决这些限制，最近的研究集中在基于DL的重建技术上，这些技术为快速、高质量的CMR成像提供了有前景的解决方案。下一节将深入探讨这些方法，包括k空间学习、监督和无监督训练范式，以及为CMR量身定制的新型网络架构。

基于深度学习的CMR重建

基于DL的算法迅速成为CMR重建的关键工具。近期关于基于DL的CMR重建的综述文章对现有方法和挑战提供了全面的概述和框架。在本文中，我们重点从应用驱动的角度回顾基于DL的重建的最新进展。我们根据模型是否利用了特定采集协议的物理信息对其进行分类，并强调它们在提高重建精度、运动补偿和临床可靠性方面的作用。此外，我们重点介绍了DL架构的最新发展，包括展开网络、基于物理的先验和AI驱动的心肌组织表征技术，这些技术正在为更鲁棒和可解释的CMR重建铺平道路。

CMR重建的深度学习方法

用于CMR重建的DL神经网络可以分为三种方法：k空间到图像学习、k空间到k空间学习和图像到图像学习。在k空间到图像学习中，神经网络被训练来将原始k空间数据直接映射到图像空间表示，通常利用卷积神经网络（CNN）或展开的迭代方案来强制执行数据保真度和图像质量约束。这种方法特别适用于欠采样采集，可以在执行端到端转换到图像域的同时推断缺失的k空间数据。相比之下，k空间到k空间学习方法完全在k空间中操作，使用DL来插值缺失的k空间数据或应用非线性滤波来提高信号质量，然后再进行图像重建。这些方法受GRAPPA等传统并行成像技术的启发，可以在利用学习先验进行更鲁棒重建的同时，保持与采集数据的一致性。最后，图像到图像学习方法直接在图像空间中工作，通常通过去除噪声和伪影来细化通过零填充或传统方法获得的初始重建。这些技术，包括残差网络和基于生成对抗网络（GAN）的模型，专注于提高感知图像质量，并且对于超分辨率和去噪等应用特别有用。

基于DL的CMR重建中的训练策略

DL模型在CMR重建中的成功在很大程度上取决于训练范式，可分为监督学习、无监督/自监督学习以及展开模型中的基于物理的正则化。监督学习依赖于配对的完全采样和欠采样数据，训练模型以最小化重建图像与参考图像之间的差异。虽然有效，但这种方法需要大型、高质量的数据集，而这可能并不总是可用。

无监督和自监督学习技术，如SSDU（通过数据欠采样的自监督学习），通过仅在欠采样数据上训练，将其分成两个子集来指导学习过程，从而避免了这一限制，无需完全采样的参考图像。这种策略在动态CMR中显示出对不同成像条件的改进泛化能力。另一个有前景的方向是展开模型中的基于物理的正则化，其中深度网络将传统的迭代重建约束整合到一个学习框架中。这些模型将迭代优化方案展开成一个深度网络，结合数据一致性层和学习到的正则化函数，以确保高质量的重建，同时降低计算复杂度。这种混合方法使得DL重建更具可解释性和物理一致性，提高了不同采集设置下的临床采用率和鲁棒性。

深度平衡模型（DEQ）的最新进展提供了一种替代方法，通过将MRI重建表述为一个具有有效无限层的隐式神经网络，显著降低了内存复杂度，同时实现了最先进的性能。SelfDEQ框架进一步扩展了DEQ，通过直接从欠采样和噪声的MRI测量中进行自监督训练，利用无雅可比反向传播（JFB）来优化重建精度，而无需完全采样的地面真实值。

CMR重建的神经网络架构

近年来，多种神经网络架构被提出并应用于CMR重建，包括多层感知器（MLP）的衍生、基于U-Net的卷积网络、循环神经网络（RNN）、变分神经网络、生成对抗网络（GAN）、展开网络和扩散网络。网络输入范围从单线圈2D图像/k空间、多线圈2D图像/k空间、3D k空间到4D（3D+时间）图像/k空间。例如，Recon3DMLP提出了一种混合架构，结合用于低频重建的小内核CNN模块和用于提升高频重建的自适应大内核MLP模块。RCNN利用2D+时间数据集中时间序列的依赖性。CINENet基于(3+1)D复值卷积利用时空冗余性。表1提供了代表性深度学习模型及其在心脏MRI重建中应用的概述。

深度学习在CMR重建中的应用

在以下部分，我们将根据方法和应用类别，总结近年来基于DL的CMR重建模型的发展。我们将模型分为具有物理特定先验的图像增强（例如，k空间欠采样、运动缓解和定量映射）和不具有物理特定先验的图像增强（例如，去噪、超分辨率）。图1显示了将在本节讨论的CMR重建中深度学习应用的示意图。

去噪技术

CMR重建中的去噪对于通过减少由MRI系统、采样策略和生理影响引起的噪声来提高图像质量至关重要。传统的去噪方法，包括高斯平滑、总变差最小化和小波基滤波，通常会通过引入模糊或纹理损失来损害精细结构细节。为了解决这些限制，基于DL的去噪技术已成为强大的工具，能够在有效抑制噪声的同时保留解剖保真度。CNN、自动编码器和GAN已广泛应用于CMR去噪，利用大数据集学习噪声特征并重建高质量图像。与传统的滤波方法不同，DL模型可以区分噪声和真实信号变化，从而允许更准确地恢复细微的心肌结构。此外，自监督和物理信息学习的方法已被探索用于在不需大量标记训练数据集的情况下增强去噪效果。

最近的研究证明了基于DL的去噪技术在CMR成像中的有效性。在晚期钆增强（LGE）成像中，高噪声水平常常降低心肌瘢痕的可视化，自监督物理引导深度学习（PG-DL）用于3D LGE，在6倍加速下实现高分辨率重建，达到37.5 dB的峰值信噪比（PSNR）和0.972的结构相似性指数（SSIM），同时在保持心肌梗死对比噪声比（CNR）方面优于CS。DLRecon是一种基于DL的重建算法，应用可调噪声降低（NR）水平（25%、50%、75%和100%），改善信噪比（SNR）和锐利度。评估显示SNR最高可提高60%，CNR增加20%，在最高NR设置下PSNR达到39.2 dB。

除了LGE成像，DeepT1是一种基于AI的心肌T1 mapping去噪流程，将T1量化的变异系数降低了15%，提高了原生T1分析的诊断可靠性。去噪超分辨率GAN（DnSRGAN）将深度去噪网络与超分辨率增强相结合，从欠采样的低SNR（SNR < 15 dB）电影MRI中重建高质量图像，达到39.1 dB的PSNR和0.985的SSIM，优于传统的双三次插值和ESRGAN。最后，基于GAN的CMR图像增强通过抑制σ=10-25%的高斯噪声来细化心脏结构，相比标准的基于DL的去噪方法实现了2.3 dB的PSNR提升，同时减少了结构失真。总的来说，这些模型实现了抗噪声的高保真去噪和图像质量增强，确保了在晚期钆增强、电影MRI和心肌组织表征方面的卓越诊断性能。

超分辨率技术

CMR成像中的超分辨率（SR）旨在超越原生采集分辨率来增强图像的空间分辨率，解决部分容积效应以及空间和时间分辨率之间的权衡等限制。传统的基于插值的方法，如双三次或样条插值，通常无法恢复精细的解剖细节，导致模糊和诊断信息丢失。基于DL的SR技术通过使用CNN、GAN和基于Transformer的架构来学习低分辨率和高分辨率图像之间的复杂映射，彻底改变了这一领域。这些模型提取高频空间特征并恢复丢失的结构细节，从而产生更清晰、更具诊断价值的图像。基于DL的SR技术从大规模数据集中学习空间依赖性，使其能够跨不同采集协议和扫描仪类型进行泛化。自监督和多帧SR方法也正在被探索，以增强层间分辨率，从而无需额外扫描即可改进3D心脏可视化。这些进步在高分辨率成像中尤其有价值，这对于准确的诊断和治疗计划至关重要。在此背景下，多项研究证明了使用基于DL的SR技术在图像质量方面的显著改善。

3D残差U-Net在低分辨率（LR）和高分辨率（HR）全心脏CMR数据集上训练，利用残差学习来细化高频特征，实现2倍SR，PSNR提高3.1 dB。渐进式反馈残差注意力网络（PFRN）使用渐进式细化策略重建更精细的心肌结构，导致PSNR提高2.8 dB，SSIM提升4.6%。双U-Net残差网络（DURN）利用相邻U-Net层之间的残差块来增强SR，在2倍、3倍和4倍上采样下分别达到37.86 dB、33.96 dB和31.65 dB的PSNR值，优于传统的基于插值的方法。二次条件扩散模型（DBSR）通过首先估计退化先验，然后使用基于扩散的去噪对其进行细化，来增强盲SR，相比基于GAN的方法获得3.7 dB的PSNR提升。反馈注意力网络（FBAN）应用多尺度残差注意力，逐步细化LR输入特征，相比增强超分辨率生成对抗网络（ESRGAN）实现3.5 dB的PSNR提升。拉普拉斯金字塔超分辨率GAN（LSR-GAN）以3.2 dB的PSNR提升和5%的SSIM改善重建高频心脏结构，同时抑制对抗学习伪影。

在心肌灌注成像中，PerfGen是一种基于扩散的生成模型，在增强对比度恢复的同时，将归一化均方根误差（nRMSE）降低5.1%，并将SSIM提高2.2%，优于传统的基于GAN的SR模型，确保了改进的缺血检测。

SR DL模型一个特别有前景的应用是在低场MRI（0.55T和0.35T）中，那里固有的低SNR和空间分辨率带来了重大的诊断挑战。在这种背景下，基于DL的上采样技术有助于在电影和LGE成像中恢复更精细的心肌纹理，实现与标准1.5T CMR近乎相当的诊断准确性。具体来说，在0.55T下，DL增强的电影成像在从笛卡尔采集切换到螺旋进出平衡稳态自由进动（bSSFP）序列时，显示心肌SNR增加79%。此外，用于0.55T和1.5T自由呼吸电影MRI的低秩深度图像先验重建确保了可比的诊断性能，证明DL SR可以弥合低场和高场MRI之间的分辨率差距。总的来说，这些模型增强了空间分辨率，减少了扫描时间，并提高了低场强下CMR的临床可行性，使MRI更易于获取且成本效益更高，适用于更广泛的医疗保健应用。

欠采样与加速技术

CMR成像中的MRI采集非常耗时，特别是在考虑呼吸和心脏运动时，这会损害成像效率并引入运动伪影。为了减少采集时间，传统技术如PI和CS已被广泛采用。然而，PI依赖校准数据，并且易受SNR降低和局部噪声的影响，这会降低重建精度。相比之下，CS依赖于稀疏变换域的选择、适当的正则化惩罚和迭代优化算法，这使得重建质量依赖于超参数调整，并且需要较长的重建时间。

近年来，DL已成为CMR重建的强大工具，残差网络和U-Net等模型在重建速度和质量方面展现出显著改进。先进的DL模型可分为数据驱动的端到端学习（学习欠采样和完全采样数据之间的映射）和模型驱动的展开方法（将DL与传统的迭代算法相结合以有效解决逆重建问题）。这些方法为快速、准确的CMR成像提供了有前景的解决方案，克服了传统方法的局限性。

空间欠采样

DL通过利用数据驱动的先验来增强图像保真度、减少伪影并加速重建时间，显著推进了空间欠采样CMR重建。DL-ESPIRiT是ESPIRiT-based PI的扩展，将DL与线圈灵敏度图集成，在R=12的加速因子下实现高质量心脏电影MRI重建，表现出优于11-ESPIRiT的性能，同时保持了左心室分割的准确性。DAGAN是一种基于GAN的重建框架，在R=2和R=4时有效减轻混叠伪影并提高感知质量，但在R=8时由于残余噪声放大，性能下降。D5C5是一种级联CNN架构，在中等加速因子下增强空间保真度，但在较高加速率下表现出对噪声的敏感性增加。SwinMR是一种利用自注意力机制的基于Transformer的模型，在R=2和R=4时超越DAGAN和D5C5，但在更高加速因子（R=8）下会引入合成结构。专为径向欠采样心脏MRI设计的3D残差增强器U-Net，比传统迭代技术快200倍的重建速度，同时保持0.963的SSIM和40.238 dB的PSNR。类似地，k-SRNet、k-UNet、kt-SRNet和kt-UNet集成了深度超分辨率技术，以在高度加速的电影MRI中增强空间细节恢复，优于传统的基于插值的上采样。

混合物理信息DL模型通过将MRI物理约束（如k空间一致性、线圈灵敏度强制和稀疏先验）直接集成到DL架构中，进一步改进了空间欠采样MRI重建，确保了增强的泛化能力和减少的伪影。SCR-DL、STR-DL和SENSE-DL将迭代物理引导重建与线圈灵敏度正则化相结合，在R=8时达到91.4%的SSIM值，优于传统技术，如GRAPPA（SSIM: 69.9%）和SENSE-DL（SSIM: 86.9%）。DARCS是一种用于3D全心脏冠状动脉MR血管成像的内存高效深度CS框架，通过采用作为自适应稀疏变换的伪影估计网络来增强重建，相比DAGAN实现2 dB的PSNR提升，并减少37%的内存消耗。总的来说，这些模型在更高的空间加速因子下实现了高保真重建，显著提高了快速、高分辨率心脏MRI的临床可行性，同时保持了诊断准确性。

虽然空间欠采样技术主要侧重于加速单个帧，但时空欠采样技术利用时间上的冗余性来实现进一步加速，同时保持时间一致性。

时空欠采样

用于CMR中时空欠采样的基于DL的重建模型利用空间和时间冗余性来改善图像质量，同时显著加速重建。CINENet是一种4D基于DL的重建网络，采用(3+1)D复值时空卷积处理多线圈数据，并重建高度欠采样的3D笛卡尔电影MRI。它能在不到10秒内实现单次屏气各向同性3D电影采集，并且相比迭代方法图像对比度提高67%。MoDL-SToRM是一种基于模型的DL框架，将SToRM流形正则化与基于CNN的去噪先验相结合，以重建自由呼吸和非门控心脏MRI。它将扫描时间减少5倍，从每层标准42秒的SToRM采集时间重建出高保真图像，仅需8.2秒的采集时间。FlowVN是一种用于4D血流MRI的深度变分网络，用可学习的时空滤波器核重建欠采样数据，将重建时间缩短至21秒，同时保持血流定量中的高精度。TD-DIP是一种时间相关的深度图像先验方法，无需外部训练即可重建心脏动态序列，利用时间流形约束生成平滑的心脏运动表示。它在保持高空间分辨率的同时优于基于CS的方法。内存高效学习（MEL）是一个为高维MRI设计的框架，支持时空CMR的高效基于DL的展开重建，同时减少GPU内存消耗，从而允许进行更大规模的3D和2D+时间重建而不会降低性能。GLEAM（加速MRI的贪婪学习）通过采用模块化训练策略进一步解决动态成像中的计算挑战，在3D重建中实现1.8 dB的PSNR提升，同时减少训练内存占用。用于实时相位对比CMR的3D U-Net针对先天性心脏病中的快速速度量化进行了优化，利用基于U-Net正则化的深度伪影抑制将重建时间从59秒（CS）减少到3.9秒，实现更快更准确的血流评估。多级密集连接网络（mDCN）针对5D心脏MR多任务进行了优化，将特征空间计算时间从20分钟减少到0.39秒，速度提升3000倍，使得高维CMR重建在临床应用中可行。总的来说，这些模型实现了实时CMR成像、改进的运动保真度和增强的动态对比度估计，显著推进了心脏MRI中DL驱动的时空欠采样。

运动缓解技术

CMR成像中的运动伪影减少对于确保高质量的诊断图像至关重要，因为心脏和呼吸运动可能引入模糊、重影和解剖结构的错位。传统的运动校正方法，如屏气、心电图（ECG）门控和导航波跟踪，通常会延长扫描时间、增加患者不适或导致数据采集不完整。回顾性运动校正技术，包括图像配准和非刚性运动估计，已被开发来缓解这些问题，但可能难以处理复杂的运动模式和信号不一致性。

基于DL的运动伪影减少已成为一种变革性的解决方案，它利用CNN、循环神经网络（RNN）和基于Transformer的架构来学习运动模式并预测无伪影的重建。这些模型可以在运动损坏和清洁图像的大型数据集上进行训练，以自动识别和校正运动引起的畸变。例如，Lyu等人（2020）提出了一种循环神经网络，从运动模糊的电影心脏图像中提取空间和时间特征，显著改善了图像质量。此外，物理信息DL方法将运动补偿直接集成到图像重建流程中，在保留精细心脏结构的同时减少伪影。

运动伪影严重影响CMR的质量，导致模糊和重影，影响诊断准确性。为了减轻这些伪影，GAN-Automap在基于AUTOMAP的重建流程中整合了对抗学习，将运动损坏的k空间数据细化为高保真图像。该模型使用来自UK Biobank数据集的25,000张图像进行训练，实现了显著的伪影抑制，并且相比传统的基于傅里叶的重建，PSNR提高了4.2 dB。类似地，View2Dmotion提出了一种基于深度学习的运动模拟和校正工具，旨在生成用于训练的合成损坏数据集，这增强了模型处理真实世界运动不一致性的鲁棒性，将运动引起的条纹伪影减少了68%。MARC（使用卷积网络减少运动伪影）采用多通道CNN来抑制动态对比增强MRI（DCE-MRI）中的运动伪影，证明SNR提高了30%，SSIM提高了5.1%。对于电影CMR，双向ConvLSTM和多尺度卷积网络整合了长程时间依赖性，显著将运动引起的帧错位减少了43%，重影减少了57%，同时保持高时间分辨率。

先进的运动补偿重建技术，如运动补偿MR重建（MCMR），通过迭代展开学习框架来细化运动估计和重建之间的相互作用。MCMR方法利用分组运动估计，在高达20倍的加速因子下实现无伪影的运动估计和高质量的电影重建，相比传统CS方法，PSNR提高了3.8 dB。相比之下，MALLRT（运动对齐局部低秩张量）应用CS和基于张量的低秩模型来校正动态心脏帧间的运动错位，导致信号误差比（SER）显著提高32%，SSIM提高4.3%。最后，基于MALLRT的端到端运动校正整合了运动校正和SR来重建高分辨率3D心脏体积，实现了层间错位减少60%，左心室（LV）的Dice相似系数达到0.974。总的来说，这些模型例证了DL在增强心脏MRI重建、减少扫描时间和提高功能及结构评估准确性方面的巨大潜力。

定量映射技术

定量CMR通过基于DL的方法得到了显著增强，这些方法允许同时进行多参数映射，减少了采集时间并提高了运动鲁棒性。深度图像先验磁共振指纹技术（DIP-MRF）将低秩子空间建模与DL相结合，无需体内训练数据即可重建T₁、T₂和质子密度（PD）图。这种自监督框架将CNN与心脏MRF的数学模型相结合，减轻运动伪影并加速图像重建。DIP-MRF在1.5T下对18名健康受试者和10名心肌病患者进行了验证，证明相比字典匹配方法，nRMSE降低了30%，并且与参考模体值有很强的相关性（R² > 0.999）。该方法成功将屏气持续时间从15次心跳缩短到5次心跳，同时保持了心肌T₁和T₂值的高保真度，T₁偏差为-9 ms，T₂偏差为+2 ms，提高了对心律不齐患者的诊断可行性。

超越MRF，Deep T1-T2 Multi整合了卷积和循环神经网络，直接从欠采样CMR数据估计T₁和T₂图，绕过了基于字典的模式匹配。在一项涉及58名1.5T健康受试者的研究中，这种方法在每层400毫秒内重建了T₁-T₂图，相比传统的基于字典的方法加速了700倍。该DL模型相对于基于字典的结果，T₁偏差仅为3.6 ms，T₂偏差为-0.2 ms，在不同心脏节律下表现出高鲁棒性。

挑战与未来方向

数据稀缺性

基于DL的CMR重建的一个基本挑战是高质量数据集的可用性有限。如前所述，CMR数据收集困难且昂贵，因此，缺乏大规模数据收集基础设施的研究小组在重现结果和与文献中现有方法进行比较方面面临巨大障碍。近年来，NYU Langone Health发布了fastMRI数据集，包含多通道膝盖和脑部MRI原始数据，极大地促进了脑部临床应用的发展。其他领域的缩放定律的成功也表明，使用的计算量和数据量可以对模型的性能产生实质性影响。然而，这些图像不足以用于心脏成像中的(3+1)D（时间域）应用。最近，越来越多的公共和标准心脏数据集被建立起来以加速心脏社区的发展，包括CMRxRecon数据集。未来的工作应优先开发鲁棒的数据共享框架，并建立大规模、多样化的数据集作为该领域的标准化基准。

不稳定性与幻觉

基于DL的CMR重建面临着不稳定性和类幻觉伪影的挑战，特别是当模型遇到其训练分布之外的数据或在高加速因子（例如>5倍）下时。幻觉表现为虚假结构，如非物理的心肌增强或错误的扩散张量参数，这些源于不准确的先验或k空间不一致性。这些伪影可能被误认为是病理（例如，虚假的瘢痕组织）或掩盖细微的解剖变化，存在误诊或不必要干预的风险。虽然展开网络和物理信息架构通过集成数据一致性层和MR物理来降低风险，但在训练数据中代表性不足的病理和超高加速下的计算稳定性方面仍然存在局限性。当前的解决方案优先考虑混合DL-CS框架和对抗训练，以平衡伪影抑制和诊断保真度。

计算成本与效率

计算成本和