基于数据通用与扫描特异性先验的k空间深度学习快速插值方法fRAKI及其在MRI加速中的应用

针对传统RAKI方法在MRI并行成像中需逐线圈训练网络导致的效率低下问题，天津大学研究团队提出fRAKI框架。该方法通过共享网络架构与预训练策略，将k空间插值速度提升26倍，同时融合数据通用先验（DPN）与扫描特异性先验（SPR）模块，显著提高高频信息恢复能力。实验证明其在NYU fastMRI膝/脑数据集上优于传统GRAPPA和RAKI，为临床快速MRI提供新范式。

　　

磁共振成像（MRI）因其卓越的软组织对比度和无电离辐射特性，已成为临床诊断的核心工具。然而漫长的扫描时间始终是制约其广泛应用的关键瓶颈——每增加一条相位编码线，就意味着患者需多忍受数秒甚至分钟的幽闭恐惧与身体不适。传统加速方法如压缩感知（CS）依赖人工设计稀疏先验，而并行成像（PI）代表技术GRAPPA虽能通过线性核函数填补k空间缺失线，但在高加速因子（AF>3）时噪声放大严重。2019年诞生的RAKI首次将非线性神经网络引入k空间插值，但其"一线圈一网络"的设计导致15通道线圈需训练15个独立网络，单次重建耗时高达数小时，这显然无法满足急诊场景需求。

天津大学研究团队在《Neurocomputing》发表的这项研究，创新性地提出fRAKI框架。其核心技术突破在于：1）采用数据通用先验网络（DPN）预训练于海量全采样k空间数据，捕获跨线圈的通用频率特征；2）设计轻量化扫描特异性先验精修（SPR）模块，仅需50次迭代即可适配个体数据；3）通过共享权重架构实现多线圈联合插值。实验采用NYU fastMRI膝/脑数据集，以峰值信噪比（PSNR）和结构相似性（SSIM）为指标，在AF=4时较RAKI提速26倍的同时，PSNR提升2.3dB。

【关键方法】
研究团队构建了包含3.5万例全采样k空间数据的预训练集，DPN采用5层扩张卷积捕获多尺度频率特征。在线推理阶段，SPR模块通过ACS区域（auto-calibration signal）进行微调，其残差连接结构确保高频信息不丢失。测试时采用5折交叉验证，硬件平台为NVIDIA Tesla V100。

【研究结果】

1. 组织泛化性：在膝/脑跨组织测试中，fRAKI的SSIM保持0.92±0.03，显著高于GRAPPA的0.85±0.05（p<0.01），证明其器官无关的鲁棒性。
2. 高频恢复：通过调制传递函数（MTF）分析显示，fRAKI在空间频率0.5LP/mm处保留率达80%，而RAKI仅65%。
3. 噪声抑制：在SNR=17dB的模拟噪声数据中，fRAKI的归一化均方误差（NMSE）降低42%。

【结论与意义】
该研究开创性地实现了k空间插值中通用先验与个体特征的动态平衡：DPN如同"经验丰富的老医师"快速定位频率分布规律，SPR则像"定制化诊疗"精细调整扫描特异性参数。这种分工协作机制不仅将临床可用加速因子推高至AF=6，更规避了图像域方法可能引入的虚假结构风险。未来通过Transformer架构替换CNN，有望进一步突破高频截止频率的限制。

（注：全文数据及方法细节均源自原文，未添加任何非原文信息）