利用逐层学习的生成扩散先验进行稳健的多切片磁共振成像（MRI）同时重建

《Medical Image Analysis》：Robust Simultaneous Multislice MRI Reconstruction Using Slice-Wise Learned Generative Diffusion Priors

提出基于深度生成式前馈的ROGER方法，通过去噪扩散概率模型处理同时多切片MRI的复杂信号交互问题，结合低频增强模块解决传统方法在FSE和EPI序列中的低频信息缺失，实验表明其在多场景下具有优越的重建性能和强泛化能力。

　　在医学影像领域，磁共振成像（MRI）技术以其非侵入性和高软组织对比度而被广泛应用。然而，传统的MRI扫描过程往往需要较长的时间，这不仅增加了患者的不适感，也限制了其在动态成像和临床快速诊断中的应用。为了应对这一挑战，研究者们开发了多种加速技术，其中“同时多层成像”（Simultaneous Multislice, SMS）技术因其能够在一次扫描中获取多个切片的数据，从而显著缩短扫描时间，受到了广泛关注。尽管SMS技术在提高成像效率方面具有巨大潜力，但其重建过程仍面临诸多难题，尤其是在处理复杂的信号交互和数据一致性方面。

本研究提出了一种基于深度生成先验的SMS MRI重建方法，名为ROGER。该方法通过利用去噪扩散概率模型（Denoising Diffusion Probabilistic Models, DDPM）来解决SMS重建中的关键问题。DDPM是一种近年来在图像生成领域表现突出的深度学习方法，它通过逐步去噪的方式从噪声中恢复出高质量的图像。在ROGER中，这一机制被巧妙地应用于SMS MRI的重建过程中，以实现对多个切片的精确分离。具体而言，ROGER从高斯噪声开始，通过反向扩散迭代逐步恢复出各个切片的数据，同时确保数据一致性，即从测量的k空间数据中提取出有用的信息。这种方法的核心在于其能够通过反向扩散过程，将多层信号有效地从噪声中分离出来，从而避免传统方法中常见的噪声放大和残留混叠伪影问题。

为了进一步提高重建质量，ROGER还引入了一个低频增强（Low-Frequency Enhancement, LFE）模块。这一模块的主要作用是稳定反向扩散过程，特别是在处理那些难以嵌入全采样自校准信号（Autocalibration Signals, ACS）的常用序列，如快速自旋回波（Fast Spin Echo, FSE）和回波平面成像（Echo Planar Imaging, EPI）时。这些序列在实际应用中常常面临低频信息缺失的问题，因为它们的k空间采样模式较为稀疏，导致图像重建时容易出现伪影。通过LFE模块，ROGER能够在不依赖ACS的情况下，有效增强低频成分，从而改善图像质量并减少伪影。

在实验验证方面，本研究对多个数据集进行了广泛的测试，包括回顾性加速和前瞻性加速的数据。回顾性加速数据集主要用于评估模型在已知条件下的表现，而前瞻性加速数据集则用于测试模型在实际临床环境中的适应能力。实验结果显示，ROGER在多个数据集上的表现均优于现有的重建方法，特别是在图像信噪比（SNR）和减少伪影方面。此外，ROGER在不同加速设置下展现了强大的泛化能力，能够适应各种MRI应用场景，包括解剖成像、功能成像和扩散加权成像（DWI）等。这种泛化能力对于实际应用尤为重要，因为MRI数据往往具有高度的异质性，不同的扫描参数和组织对比度会对重建结果产生显著影响。

本研究还特别关注了SMS成像中常见的信号交互问题。由于多层信号在k空间中的叠加，传统方法在处理这些信号时常常会出现混叠伪影。而ROGER通过结合读出拼接（ReadOut Concatenation, ROC）框架和深度生成先验，能够更有效地分离多层信号，减少信号交互带来的影响。ROC框架允许将多层信号在读出方向上进行拼接，从而在重建过程中提供更多的数据一致性信息。这种设计不仅提高了重建的准确性，还增强了模型对复杂信号模式的适应能力。

在实际应用中，SMS成像的一个重要挑战是如何在不牺牲图像质量的前提下实现快速扫描。现有的SMS方法通常依赖于外部校准扫描来获取自校准信号，但这种方法可能会引入额外的伪影，因为外部校准信号与实际成像信号在组织对比度和相位上可能存在差异。此外，外部校准扫描还会增加扫描时间，降低整体效率。为了解决这一问题，ROGER通过其独特的反向扩散机制，能够在不依赖外部校准的情况下，实现高质量的图像重建。这种方法不仅减少了扫描时间，还避免了因外部校准信号带来的额外误差。

在实验过程中，研究者们使用了多个公开数据集和自建数据集，以全面评估ROGER的性能。例如，快MRI脑部数据集（FastMRI Brain Dataset）提供了在1.5T和3T磁体上采集的脑部解剖成像数据，而Longgang数据集则用于测试模型在不同加速设置下的表现。此外，Huaxin数据集则用于评估模型在未知解剖区域上的泛化能力。通过这些数据集的测试，ROGER不仅在图像质量上表现出色，还在不同应用场景下展现了良好的适应性。

在功能成像和扩散加权成像方面，ROGER同样表现出色。功能MRI（fMRI）通常用于研究大脑活动，而扩散加权成像则用于评估组织内的水分子扩散情况。这两种成像方式都对图像质量和信号清晰度有较高要求，而SMS技术的引入使得这些成像方式能够在更短的时间内完成。然而，传统的SMS重建方法在处理这些复杂信号时往往效果不佳，导致图像伪影和信息丢失。ROGER通过其深度生成先验和LFE模块，有效解决了这些问题，从而在功能成像和扩散加权成像中实现了更高质量的图像重建。

此外，ROGER还能够在不同的MRI序列中保持一致性。例如，FSE和EPI是两种常用的MRI序列，但它们在k空间采样和信号处理方面存在显著差异。FSE序列通常使用较大的矩阵尺寸，以提高图像分辨率，而EPI序列则倾向于使用较小的矩阵尺寸，以减少几何失真。ROGER通过其灵活的反向扩散机制，能够适应这些不同的序列特性，从而在多种MRI应用中保持较高的重建质量。

本研究的另一个重要贡献是提出了一个全新的方法论，将深度生成先验与SMS成像的读出拼接框架相结合。这一方法论不仅适用于当前的MRI应用场景，还为未来的MRI技术发展提供了新的思路。通过这种方式，ROGER能够在不依赖特定硬件配置的情况下，实现更广泛的适用性。同时，该方法的模块化设计也使其能够方便地进行扩展和优化，以适应不同的成像需求和数据条件。

在实际应用中，ROGER的性能优势尤为明显。它能够有效处理高加速设置下的数据，即使在非常稀疏的k空间采样条件下，也能保持较高的图像质量。这种能力对于临床和科研环境中的快速成像尤为重要，因为它能够显著提高扫描效率，同时确保图像的清晰度和准确性。此外，ROGER的鲁棒性使其能够在不同的扫描参数和硬件配置下保持稳定的性能，这对于大规模临床应用和多中心研究具有重要意义。

在实验结果中，ROGER在多个指标上均优于现有的SMS重建方法。例如，在信噪比（SNR）方面，ROGER能够显著提高图像的清晰度，减少噪声对图像质量的影响。在伪影减少方面，ROGER通过其深度生成先验和LFE模块，能够有效消除由于信号交互和数据稀疏性导致的伪影。此外，在图像结构保持方面，ROGER能够更精确地保留解剖结构的细节，这对于临床诊断和科研分析具有重要价值。

总的来说，ROGER为SMS MRI的重建提供了一种全新的解决方案，其基于深度生成先验的方法不仅提高了重建质量，还增强了模型的鲁棒性和泛化能力。通过结合读出拼接框架和去噪扩散模型，ROGER能够在不依赖外部校准的情况下，实现对多层信号的精确分离和高质量重建。这一方法的提出，不仅为MRI加速技术的发展提供了新的方向，也为未来的医学影像研究和临床应用带来了更多的可能性。