基于相位循环 bSSFP 的灵活且经济高效的深度学习加速多参数弛豫测量

为加速定量磁共振成像（qMRI）临床应用，研究人员对比基于前馈深度神经网络（DNN）和迭代拟合的框架用于多参数弛豫测量。结果显示，DNN 框架训练速度快、参数推断时间短，能加速数据采集，为 qMRI 发展提供新方向。

　　在医学影像领域，定量磁共振成像（qMRI）是一项极具潜力的技术。它不仅能提供精确的形态学信息，还能通过定量参数映射，展现生物物理和微观结构过程，为疾病的诊断和预后决策提供关键依据。比如，定量 T₂可作为多发性硬化症患者皮质病变、内侧颞叶癫痫患者海马硬化、脑血管疾病以及早期阿尔茨海默病的重要标志物；定量 T₁则有助于研究大脑老化和帕金森病相关的微观结构变化。

然而，qMRI 在临床应用中面临诸多挑战。传统的 qMRI 方法，如磁共振指纹法（MRF），虽能进行弛豫测量，但存在图像重建和字典生成时间长、分辨率低等问题。而且，无论是直接还是间接的多参数 qMRI（MP-qMRI）框架，都需要更高效、稳定且灵活的技术。因此，为了推动 qMRI 在临床的广泛应用，改进其效率和稳定性成为关键研究任务。

德国图宾根大学和马克斯?普朗克生物控制论研究所等机构的研究人员开展了相关研究。他们旨在比较基于前馈深度神经网络（DNN）和迭代拟合的框架在基于相位循环平衡稳态自由进动（pc-bSSFP）成像的多参数弛豫测量中的表现。研究人员通过体内和体外实验，评估了监督 DNN（SVNN）、自监督物理信息 DNN（PINN）和一种称为运动不敏感快速配置弛豫测量（MIRACLE）的迭代拟合框架的性能。

研究结果意义重大。该研究表明，将基于计算机模拟（in silico）训练的 DNN 与 pc-bSSFP 成像相结合，是一种快速且适应性强的 MP-qMRI 弛豫测量框架。在体内实验中，训练后的 DNN 与 MIRACLE 弛豫测量在脑组织中高度吻合，尤其在低信噪比（SNR）场景下，基于特定分布训练的 DNN 表现优于 MIRACLE。此外，研究人员开发的基于复数的 DNN 能够利用复数 F_n配置的完整信息，有效消除 pc-bSSFP 成像中因相位循环采样不足引入的失谐敏感性，实现仅用 4 个相位循环的高度加速成像，将扫描时间缩短为原来的三分之一。这一成果为 qMRI 的发展提供了新方向，有望推动其在临床中的广泛应用。

研究人员为开展这项研究，主要运用了以下关键技术方法：

1. 数据采集：在 3T 场强下对 3 名健康受试者进行体内实验，采集矢状面 3D pc-bSSFP 数据，采用不同的相位循环方案，并获取 B₁⁺缩放因子数据。
2. 数据处理：使用 FSL 和 SPM 软件包进行图像配准和分割，去除运动伪影和相位偏移，计算 bSSFP 信号的傅里叶系数（F_n）。
3. 数据生成：利用前向 bSSFP 信号模型生成合成的单同位素 pc-bSSFP 信号，对目标参数 T₁、T₂等进行不同分布的采样。
4. 模型训练与评估：设计并训练基于标准幅度和复数的 DNN 模型，采用不同的损失策略，通过蒙特卡罗（MC）采样评估模型在体内外数据上的准确性和精度。

验证基于幅度的 DNN

1. 体外实验：通过在训练数据中添加噪声进行 MC 采样，分析噪声对 DNN 准确性的影响。结果表明，在非理想条件下训练 DNN，并不一定能在相同 SNR 水平的测试数据上获得更好的准确性。此外，训练数据分布对 SVNN 的准确性影响较大，而 PINN 受其影响较小。在低 SNR（≤15）时，基于均匀和体内分布训练的 DNN 性能优于 MIRACLE。
2. 体内实验：训练后的 DNN 在未见过的体内数据测试中，与 MIRACLE 弛豫测量在脑组织中高度吻合，尤其是基于均匀和体内训练参数分布的 DNN。而基于均匀扩展分布训练的 SVNN 预测值与 MIRACLE 有偏差，PINN 对训练数据分布更具鲁棒性。

基于复数的 DNN 加速数据采集

1. 体外实验：基于复数的 DNN 通过利用复数 SSFP 模式的完整信息、增加隐藏层神经元数量和纳入 ΔB₀作为额外目标参数，有效减轻了因相位循环数有限（6 或 4 个）引入的混叠和参数预测误差，在整个模拟的 ΔB₀值范围内可靠地估计 T₁和 T₂。
2. 体内实验：在体内 T₁和 T₂弛豫测量中，基于复数的 DNN 对失谐更具鲁棒性。当相位循环数减少到 4 时，MIRACLE 和标准基于幅度的 DNN 出现明显的低估和高估区域，而基于复数的 DNN 有效消除了失谐相关伪影和系统偏差。

灵活且经济高效的弛豫测量

通过计算不同 epoch 的全脑弛豫测量预测与最终 epoch 预测之间的决定系数（CoD），评估 DNN 学习逆信号模型的有效性。结果显示，DNN 训练收敛快，在最初几个 epoch 就能有效学习脑组织的 T₁和 T₂弛豫时间。单 epoch 训练的 DNN 进行全脑体内推断的时间远短于 MIRACLE 算法，且随着输入数据分辨率提高，DNN 的推断时间优势更明显。

在研究结论和讨论部分，研究人员指出，本研究成功开发了基于 pc-bSSFP 数据的适应性强、经济高效的深度学习框架。这些框架训练收敛快，参数推断时间短，且能将物理知识融入训练过程。通过调整训练数据分布，在低 SNR 场景下性能优于传统拟合方法，为低场强下的研究提供了方向。不过，研究也存在一定局限性，如 PINN 和 SVNN 受训练数据参数范围限制，研究采用的单组分信号模型无法完全反映组织微观结构特征等。但总体而言，该研究为 qMRI 的发展提供了重要参考，有望推动其在临床中的进一步应用。