基于全连接神经网络的模型深度学习：加速磁共振参数映射的创新突破

为解决定量磁共振成像（qMRI）采集时间长、准确性和临床相关性有待提高的问题，研究人员开展了基于深度学习（DL）的加速定量参数映射研究。结果显示，所提 qDC - CNN 模型重建误差更小。该研究为 qMRI 发展提供新方向。

　　在医学影像学领域，磁共振成像（MRI）一直是极为重要的检测手段。定量磁共振成像（qMRI）更是能对与组织中质子核自旋相关的物理参数进行成像，像质子密度、弛豫时间、扩散系数等 ，这为疾病诊断提供了更丰富、客观的依据。比如在癌症分期、脑部微观结构异常检测、膝关节软骨病变诊断等方面，qMRI 的定量信息都发挥着关键作用。然而，qMRI 在临床应用中面临着重大挑战。由于其需要采集多个对比图像来估计定量图，导致采集时间冗长，这不仅限制了其在临床实践中的广泛应用，也影响了诊断效率和患者体验。此外，提高 qMRI 的准确性和临床相关性，对其真正实现临床普及至关重要 。为了解决这些问题，来自日本筑波大学和富士胶片公司的研究人员开展了一项关于加速磁共振参数映射的研究。他们提出了一种名为定量深度卷积网络级联（qDC - CNN）的新型方法，这是一个集成的深度学习框架，将展开图像重建网络和全连接神经网络相结合，用于参数估计。该研究成果发表在《International Journal of Computer Assisted Radiology and Surgery》上，为 qMRI 技术的发展带来了新的突破和希望。

研究人员在此次研究中主要运用了以下关键技术方法：首先，利用 BrainWeb 数据库生成模拟的多层多回波（MSME）数据集用于训练和测试。其次，构建 qDC - CNN 网络，其包含图像重建模块和参数映射模块，图像重建模块采用 DC - CNN 模型，参数映射模块使用全连接神经网络（FCNN）。在训练时，通过三个损失函数（L_r、L_p、L_dc ）对网络进行优化。最后，将 qDC - CNN 与其他五种重建方法进行对比，通过计算归一化均方根误差（NRMSE）评估参数图，计算峰值信噪比（PSNR）评估对比图像。

研究结果

1. 加速因子（AF）的影响：在不同 AF 值下对比多种重建方法，当 AF = 5 时，非 DL 方法 k - t SLR 出现明显伪影，而基于 DL 的方法（A） - （D）重建效果准确、伪影少。AF = 10 时，MANTIS 在 T₂和 S₀图中出现轮廓模糊、解剖结构丢失的情况，而 qDC - CNN 等方法则没有。在 AF = 20 的 S₀图中，qDC - CNN 等方法能清晰描绘白质和灰质边界，MANTIS 则不能。从 NRMSE 值来看，qDC - CNN 的 T₂和 S₀图的 NRMSE 值最小，性能最优，其 S₀和 T₂的 NRMSE 值约为 MANTIS 的四分之一。并且，所有方法的 NRMSE 值都随 AF 增加而增大。
2. 多对比图像数量的影响：当改变多对比图像数量时，qDC - CNN 在不同数量对比图像下都能重建出高质量的 T₂图，误差较小。而 MANTIS 在对比图像数量较少时，T₂图中白质和灰质的结构与边界变得模糊，甚至出现不存在的结构，S₀图也有类似情况。qDC - CNN 的 S₀和 T₂图的 NRMSE 值均小于 MANTIS。

研究结论与讨论

研究人员提出的 qDC - CNN 作为加速定量参数映射的框架，是一个端到端（E2E）的深度学习框架，结合了图像重建和定量参数估计两个网络模块。通过实验对比，qDC - CNN 在重建误差方面明显小于传统模型，在 T₂和 S₀图像重建上表现出色，展现出较高的准确性和稳定性。这一研究成果意义重大，它为 qMRI 技术的加速发展提供了新的方向和途径。一方面，qDC - CNN 可以应用于其他 qMRI 序列，具有广泛的适用性；另一方面，该框架能够灵活替换图像重建模块，为进一步提高性能提供了可能。不过，该研究也存在一定局限性。研究仅使用了单线圈数据集，未涉及多接收线圈在临床 MRI 中的应用；数据全部为模拟数据，与实际扫描数据存在差异，实际临床图像可能存在硬件相关伪影，且简单的信号模型与实际信号演化不同；研究仅针对脑部数据，在其他解剖区域的性能有待验证 。但这些不足也为后续研究指明了方向，未来研究可以围绕多线圈数据、临床实际数据以及不同解剖区域展开，进一步完善和优化 qDC - CNN 技术，推动 qMRI 在临床中的广泛应用，为疾病诊断和治疗提供更精准、高效的支持。