基于多实例对比学习和各向异性时空Transformer的MRI心脏设备伪影自监督抑制方法

针对心血管植入电子设备(CIED)在bSSFP(平衡稳态自由进动)序列中产生的严重磁共振伪影问题，研究人员创新性地提出融合Noise2Noise物理先验、多实例对比学习和各向异性时空Transformer的自监督框架。该研究首次利用相位循环采集的"伪配对"特性，在无需干净数据的情况下实现优于传统方法的伪影抑制，为CIED患者心脏电影MRI诊断提供了可行解决方案。

　　

心血管植入电子设备(CIED)的广泛应用给心脏磁共振成像带来了巨大挑战。作为临床评估心脏功能的金标准，平衡稳态自由进动(bSSFP)电影MRI在CIED患者中会产生严重的离共振伪影，这些周期性带状伪影可完全掩盖心肌解剖细节。传统方法如匀场调节、频率侦察或序列改良仅能部分缓解问题，而现有深度学习方案又受限于配对数据获取困难或域偏移问题。这种困境使得全球约数百万CIED患者无法获得优质的心脏MRI检查，严重制约了临床诊疗决策。

为解决这一难题，来自国内的研究团队在《Computerized Medical Imaging and Graphics》发表创新成果。该研究突破性地利用bSSFP相位循环的物理特性——通过改变射频(RF)相位增量(0°、90°、180°、270°)采集多组伪影模式互补的图像，将这些采集实例作为自监督学习的"伪配对"数据。研究团队设计了三大核心技术：基于Noise2Noise的物理驱动框架消除对干净数据的依赖；新型多实例对比学习损失函数克服有限样本偏差和空间相关伪影；各向异性时空Transformer通过分层注意力机制建模心脏解剖特征。实验采用模拟CIED伪影的ACDC公共数据集和真实临床数据进行验证。

【学习基础的图像恢复】章节显示，相比需要配对的监督学习方法(VRT等)和依赖干净域的未配对方法(CycleGAN等)，该框架在保持心肌纹理和动态运动方面具有独特优势。【概述】部分详细阐述了网络架构如何通过E{x_i^k}的线性组合特性建立解剖结构一致性约束。【数据集】部分证实，在39例模拟数据和15例真实CIED患者数据中，该方法SSIM指标达到0.912±0.021，显著优于传统四相位循环(4PC)的0.763±0.034。

【讨论】部分强调该研究的三大突破：首次将相位循环物理特性与自监督学习结合；通过对比学习解决N2N假设在CIED场景的失效问题；时空Transformer各向异性注意力窗口更好契合心脏解剖结构。临床意义在于，这是首个无需外部参考数据的CIED伪影抑制方案，使bSSFP序列在CIED患者中的应用成为可能。研究团队指出，未来可扩展至其他金属植入物伪影抑制，但当前局限在于对极端离共振(>1kHz)的处理仍有提升空间。

该成果标志着医学图像重建领域的重要进展，通过深度融合MRI物理原理与前沿深度学习技术，为特殊人群的精准医疗提供了新范式。研究采用的各向异性时空建模思路，也为动态医学图像处理开辟了新方向。