基于掩码引导频域融合的自监督多对比度MRI重建

《MEDICAL PHYSICS》：Self-supervised multi-contrast MRI reconstruction via mask-guided frequency-domain fusion

　　## 摘要### 背景多对比磁共振成像（MC-MRI）通过从同一解剖区域采集多个对比加权图像来实现详细的组织特征表征。不同对比之间的冗余性可以提高对欠采样数据的重建质量。然而，传统的深度学习方法依赖于全采样、对比对齐的数据集，这需要较长的采集时间。延长的扫描时间不仅增加了患者的负担，还可能带来生理风险，限制了加速MC-MRI在临床环境中的实际推广。### 目的本研究提出了Self-MF，一种自监督的MC-MRI重建框架，该框架利用对比冗余而无需全采样的目标对比标签。该框架旨在提供一种高保真、可扩展的解决方案，用于重建欠采样的多对比图像，同时保留解剖细节和对比保真度。### 方法Self-MF实现了一种对比感知的自监督学习策略，将采集的目标k空间随机划分为输入子集和留因子集，使模型能够从欠采样数据中学习联合解剖先验，而无需全采样的目标对比标签。一个掩模引导的频域条件模块从辅助对比和已采集的目标测量中构建参考条件的辅助频率通道，增强了基于分数扩散重建过程中精细结构特征的恢复。实验在公开数据集（IXI、fastMRI）和一个临床多线圈数据集（SIAT）上进行，涵盖多种加速因子和欠采样模式，以评估鲁棒性和泛化能力。### 结果定量和定性评估表明，Self-MF在不同对比、数据集和加速因子下均优于现有的代表性重建方法。在SIAT多对比数据集中，在R = 4的二维随机欠采样条件下，Self-MF对T1WI、T2WI和PDWI重建分别实现了35.16/0.8870、33.46/0.9054和35.31/0.9187的PSNR/SSIM值。在fastMRI脑部数据集中，Self-MF在R = 4和R = 8条件下分别实现了T2WI重建的41.15 dB/0.9637和35.02 dB/0.8814，始终优于所比较的经典方法、基于学习的方法和基于扩散方法的基线。### 结论Self-MF提供了一种有效的自监督解决方案，可在无需全采样目标对比标签的情况下实现高保真MC-MRI重建。通过将对比感知自监督、频域条件和基于扩散的重建相结合，该框架实现了卓越的图像质量和稳健的解剖结构保留，代表了多对比MRI在研究和临床实践中的重要进展。---## 利益冲突声明作者声明无利益冲突。