《Pattern Recognition》：FLEX-MoCo: Flexible MRI motion correction using motion recognition and adaptive routing
编辑推荐：
提出FLEX-MoCo灵活MRI运动校正框架，通过 Motion Representation Learner (MRL) 生成运动伪影热力图，结合 Correction Path Router (CPR) 动态分配轻量级Transformer、标准Transformer或两阶段扩散模型处理不同严重度伪影，利用合成数据训练实现跨场强/序列/年龄等场景的无监督泛化。
Feng Li|Zhenrong Shen|Jiangdong Cai|Rongrong Xie|Zijian Zhou|Han Zhang|Dinggang Shen|Feng Shi|Qian Wang
上海理工大学生物医学工程学院与先进医疗材料与设备国家重点实验室，中国上海201210
引言
磁共振成像（MRI）是现代医学诊断的基石，它能够在不使用电离辐射的情况下提供出色的软组织对比度和详细的解剖结构可视化。然而，由于其相对较长的采集时间，MRI非常容易受到患者运动的影响，这在临床实践中是一个根本性的挑战[1]。运动引起的伪影会显著降低图像质量并影响诊断准确性[2]。为了应对这一挑战，人们开发了多种策略，包括使用物理固定装置来限制患者运动、优化采集序列以减少扫描时间，以及采用并行成像技术来加速数据收集[3]、[4]。近年来，深度学习方法作为MRI运动校正的强大工具应运而生，在保持解剖结构真实性的同时显示出显著的潜力来减轻运动伪影。这些方法大致可以分为k空间方法和图像域方法。k空间中的深度学习方法利用隐式或显式的运动参数来实现更高质量的图像重建[5]，并且在物理上是可解释的，但在严重运动情况下，它们受到复数值数据可用性有限和高计算成本的限制。图像域方法将运动校正视为一个图像恢复问题，基于变压器的架构在捕捉长距离空间依赖性方面表现出强大的能力[6]。最近，扩散模型和混合两阶段框架也被探索出来，虽然能够提供高质量的重建结果，但面临采样速度慢、可能出现幻觉以及偶尔丢失解剖细节等挑战[7]。尽管有这些进展，大多数现有框架对所有受运动影响的MR图像都采用固定的校正策略，而不考虑伪影的变化。这种僵化往往导致轻微运动被过度校正，而严重运动则被低估校正，从而限制了MRI运动校正在临床实践中的整体效果。
为了克服固定校正策略的局限性，我们提出了FLEX-MoCo，这是一种灵活的MRI运动校正流程，能够根据运动伪影的位置和严重程度调整处理策略。我们提出方法背后的一个关键见解是，不同受试者之间以及同一MRI扫描中的运动伪影的位置和严重程度可能存在很大差异。因此，一个有效的运动校正流程不仅应该为每次扫描定制算法，还应该根据运动伪影的位置和严重程度动态分配计算资源。为此，FLEX-MoCo包括两个主要步骤，如图1所示：运动模式识别和自适应运动校正。在运动模式识别步骤中，运动表示学习器（MRL）对受运动影响的MR图像进行编码，生成一个运动模式热图，有效地量化不同空间位置的运动伪影的严重程度。在自适应运动校正步骤中，校正路径路由器（CPR）利用检测到的运动模式热图，根据运动伪影的位置和严重程度来分配最佳校正路径。如图1(b)的示例所示，轻度运动情况使用轻量级的双分支变压器（DBT）进行处理，该变压器选择性地将计算资源分配到受运动影响的区域以实现有效的恢复。中度运动情况由标准DBT处理，以提供更全面的特征建模和伪影抑制。重度运动情况则通过两阶段过程进行处理，其中DBT的输出进一步通过扩散模型进行细化，以恢复细节并去除残余伪影。
为了减少对真实运动数据的依赖，FLEX-MoCo完全在合成运动伪影上进行训练，这些伪影是在干净的MR扫描上模拟出来的，以模拟各种运动模式。这种基于模拟的策略使得无需配对获取无运动和受运动影响的MR图像即可构建多样化的训练数据集。我们的广泛实验表明，FLEX-MoCo在未经重新训练的情况下，在未见过的成像领域显示出强大的泛化能力，包括场强、成像序列、受试者年龄和运动伪影来源的变化。
我们工作的主要贡献总结如下：
- •
我们引入了MRL，以明确识别受运动影响的MR图像中的运动伪影，从而为自适应选择运动校正路径提供有效指导。
- •
我们提出了CPR，它能够为每个输入案例自适应地确定最佳校正路径，从而确保适应不同运动模式的定制校正策略。
- •
我们证明FLEX-MoCo能够在未经重新训练的情况下，在未见过的成像领域（涵盖多种MRI序列和真实世界的运动伪影）中有效泛化，从而突显了其鲁棒性和临床适用性。
部分摘录
图像恢复
图像恢复旨在从退化的观测数据中恢复高质量图像，这在自然成像和医学成像领域都得到了广泛研究。卷积神经网络在去噪、去模糊和超分辨率方面取得了有希望的结果[8]、[9]。然而，它们有限的感受野限制了捕捉长距离依赖性的能力。最近，基于变压器的模型在建模全局上下文和结构一致性方面表现出更强的能力，实现了
FLEX-MoCo流程概述
如图1所示，提出的FLEX-MoCo采用两步流程，为不同类型的运动伪影有效分配适当的校正策略。在运动模式识别步骤中，运动表示学习器（MRL）从受运动影响的MR图像中提取运动表示，生成运动模式热图，为后续的校正路径选择提供指导。在自适应运动校正步骤中，校正路径路由器
数据集
我们从一个来源构建训练数据集，并在内部和外部测试数据集上评估模型性能，以评估其泛化能力。
- •
内部数据集：我们使用人类连接组项目（HCP）数据集[35]中的3T T1加权（T1w）干净MRI扫描，共314名受试者（每名受试者90层）。我们随机选择251名受试者进行训练，其余63名受试者作为内部测试数据集。为了全面评估在不同运动条件下的校正性能
讨论与结论
在这项工作中，我们提出了FLEX-MoCo，这是一个灵活的MRI运动校正框架，能够根据运动伪影的位置和严重程度自适应地调整校正策略。其关键创新在于其运动感知的自适应路由机制，该机制利用MRL识别运动模式，并通过CPR选择最佳校正路径。通过动态切换轻量级DBT、标准DBT和两阶段框架，FLEX-MoCo实现了始终有效的
CRediT作者贡献声明
Feng Li：撰写 – 原始草稿、验证、方法论、概念化。Zhenrong Shen：撰写 – 审阅与编辑、撰写 – 原始草稿、方法论、形式分析。Jiangdong Cai：验证、形式分析。Rongrong Xie：资源管理、数据整理。Zijian Zhou：形式分析、数据整理。Han Zhang：调查、数据整理。Dinggang Shen：撰写 – 审阅与编辑、监督。Feng Shi：撰写 – 审阅与编辑、监督。Qian Wang：撰写 – 审阅与编辑，
利益冲突声明
作者声明他们没有已知的财务利益或个人关系可能会影响本文所述的工作。
