通过低秩集成隐式神经表示实现的无监督高速三维多参数MRI重建

《Pattern Recognition》:Unsupervised highly accelerated 3D multi-parametric MRI reconstruction via low-rank integrated implicit neural representation

【字体: 大 中 小 】 时间:2026年04月29日 来源:Pattern Recognition 7.6

编辑推荐:

  张浩楠|老国彦|张玉瑶|魏洪江 上海交通大学生物医学工程学院,上海,中国 摘要 定量磁共振成像(qMRI)提供了对临床诊断至关重要的组织特异性参数。多参数qMRI(MP-qMRI)技术能够在单次扫描中同时测量各种定量图谱,但需要从加速的高维测量数据中进行稳健的重建。

  张浩楠|老国彦|张玉瑶|魏洪江
上海交通大学生物医学工程学院,上海,中国

摘要
定量磁共振成像(qMRI)提供了对临床诊断至关重要的组织特异性参数。多参数qMRI(MP-qMRI)技术能够在单次扫描中同时测量各种定量图谱,但需要从加速的高维测量数据中进行稳健的重建。目前依赖于单一先验的方法在处理这个高度病态的逆问题时效果不佳。为了克服这一限制,我们提出了LoREIN,这是一个新颖的无监督框架,它结合了双重先验来加速3D MP-qMRI的重建过程。LoREIN整合了低秩表示(LRR)和隐式神经表示(INR),以利用双重先验来提高重建的准确性。具体来说,低秩先验利用了多对比度测量中的时空冗余性,而INR的连续先验则限制了低秩解空间,从而实现高质量加权图像的重建。此外,该框架采用了两种基于物理的信号模型:第一种模型描述了空间基与时空k空间测量之间的关系,第二种模型则明确地将定量参数与多对比度加权图像联系起来。这种双模型设计通过同时优化空间和参数域,在高加速条件下提供了相互的正则化。实验表明,与现有技术相比,LoREIN在模拟和体内数据集上的重建精度都有所提高,并且在不同的加速因子和MRI序列中表现出一致的稳健性。

引言
定量磁共振成像(qMRI)可以提供诸如自旋-晶格松弛时间(T1)、自旋-自旋松弛时间(T2)、水分子扩散率和组织磁化率等组织参数[1],为大脑组织提供了独特的物理洞察,并能够详细表征其微观结构。与单参数qMRI相比,多参数qMRI(MP-qMRI)提供了更全面的视图,在通过量化铁[2]、髓鞘形成和细胞膜[3]来诊断健康和病变脑组织方面变得至关重要。然而,其临床应用受到限制,主要是因为需要多次使用不同序列的扫描,这增加了扫描时间并增加了图像错位的风险。为了解决这个问题,开发了诸如磁共振指纹识别(MRF)[4]、回波平面时间分辨成像(EPTI)[5]和MR多任务处理[6][7]等同时进行MP-qMRI的技术。尽管这些技术能够同时测量不同的对比度信息,但由于捕获的时间维度众多(从几十到一千多个),因此需要加速采集以确保实际可行的扫描时间。现代加速MRI技术主要采用欠采样的k空间采集,并结合先进的算法根据采样点来估计缺失样本。因此,一种能够从稀疏的高维测量数据中准确生成多对比度加权图像和多参数图谱的稳健重建方法对于加速MP-qMRI至关重要。

从欠采样k空间数据重建多参数图谱是一个具有挑战性的病态逆问题。传统的重建方法主要分为两类:字典匹配[8]和基于低秩张量(LRT)的方法[9][10]。字典匹配方法通过将观测信号与预计算的字典模板进行匹配来估计组织属性图谱。然而,随着时间维度和分辨率要求的增加,计算复杂性呈指数级增长,这使得它们在高维成像场景中不切实际。相比之下,基于LRT的方法利用低秩张量分解来高效分离时空k空间数据中的空间特征,并通过序列特定的信号建模来重建加权图像。虽然LRT方法中的降维简化了逆问题,但在高数据维度和加速率下,空间基的估计变得日益具有挑战性和不稳定性。

监督深度学习(DL)作为一种强大的加速MRI重建范式已经出现,在各种应用[11][12][13]以及MP-qMRI重建[14][15]中取得了显著的成功。这些监督方法通常通过学习伪影损坏的MR图像或欠采样k空间数据与高质量MR图像之间的端到端非线性映射来获得优异的性能。然而,它们通常需要大型的高质量训练数据集,这对于高维MP-qMRI来说特别难以收集。同时,它们在不同加速因子或采集序列下的稳健性有限。无监督深度学习策略通过直接从欠采样测量数据重建医学图像提供了一个有吸引力的替代方案。这些框架通常被定义为特定于扫描的或“零样本”方法,因为它们不依赖于外部训练数据,仅使用单个受试者的测量数据来优化网络参数。例如,Joint-MAPLE[16]采用无监督卷积神经网络(CNN)来联合估计加权图像并优化k空间数据中的定量参数图谱。尽管这种方法将CNN与展开的物理模型相结合,但由于未能充分利用测量冗余性,在复杂的时间变化下性能会下降。同样,Zero-DeepSub[17]将CNN与展开的低秩子空间模型结合,简化了逆问题以有效恢复加权图像。然而,这两种方法都需要进一步分割已经采集的欠采样k空间数据,这在高加速因子下会损害重建的稳定性和结构保真度。

最近,隐式神经表示(INR)作为一种有前景的无监督学习范式,在医学图像重建的逆问题解决中获得了关注。INR通过多层感知器(MLP)将医学图像表示为连续函数,将空间坐标映射到图像强度。通过使用先进的坐标编码技术[18][19][20],INR可以有效地捕捉高频图像细节,同时克服了CNN中的低频偏差。此外,INR的连续表示为在医学成像中结合物理信息模型提供了自然框架。然而,目前的基于INR的方法受到单一先验或模型的限制,限制了它们处理复杂高维数据的能力。例如,最近提出的SUMMIT框架[21]仅使用布洛赫信号方程将参数图谱与采集的k空间数据相关联,未能利用时间测量中的空间结构相关性。因此,SUMMIT在高加速因子下在伪影抑制和结构保持方面存在困难(见图1)。

在这项研究中,我们引入了LoREIN,这是一个用于加速3D MP-qMRI重建的集成无监督框架。与现有的依赖于单一域先验的方法不同(这些方法在极端欠采样情况下常常遇到根本性限制——特别是容易产生误差传播和细节退化的低秩方法,以及难以处理全局时空相关性和噪声干扰的基于INR的方法),LoREIN协同整合了双域互补的先验和双信号模型,即使在高加速因子下也能确保稳健的重建和数据保真度。该框架包括两个相互依赖的核心模块:低秩表示(LRR)模块,使用基于坐标的MLP建模空间基和线圈灵敏度图,并结合专门的CNN进行空间基精细化;以及参数图谱重建(PMR)模块,将多参数图谱表示为空间位置的连续函数。LoREIN使用两种基于物理的信号模型同时在空间和参数域中对这两个模块进行优化。在LRR模块中,连续性先验隐式限制了低秩表示的解空间,有助于提取高质量的空间基。通过利用时空信号的固有冗余性,该模块有效地压缩特征空间以提取主要信息特征。这种先验的结合有效地利用了高维稀疏k空间数据中的冗余性来重建加权图像。PMR模块将多参数图谱表示为空间位置的连续函数,而不是依赖于在高加速下容易产生误差传播的后处理非线性拟合,PMR模块直接在物理上有效的流形内优化各个定量图谱。这种双模型框架通过从两个互补的角度约束解空间来增强重建稳定性:一个模型优化加权图像的空间域表示,另一个模型专注于单个定量图的参数域优化。通过整合双重先验和双模型,LoREIN从稀疏测量数据中高效地恢复了图像信息,同时在空间和参数域之间提供了相互正则化,减少了潜在的伪影,并在高加速条件下提高了重建精度(见表1)。

我们在几个数据集上验证了LoREIN:两个模拟数据集(具有不同的对比度信息、加速因子和时间维度),两个体内数据集(具有不同的加速率和空间分辨率),以及一个公共的变量翻转角度回波平面时间分辨成像(vFA-EPTI)[22]序列数据集。为了进行全面评估,我们将LoREIN与Joint-MAPLE和Zero-DeepSub在模拟数据集上进行了比较,并与SUMMIT在模拟和体内数据集上进行了比较。此外,我们使用vFA-EPTI数据集评估了LoREIN的跨序列稳健性。实验结果表明,LoREIN始终优于现有方法。与基于展开网络的Joint-MAPLE和Zero-DeepSub相比,LoREIN在更高的加速因子下实现了更快的计算时间。此外,LoREIN比SUMMIT更好地利用了高维k空间数据中的冗余性,从而在更高的加速率和分辨率下实现了更稳定的重建。在具有不同对比度信息和时间复杂性的多种MRI序列中,LoREIN始终提供了稳健可靠的重建质量。

我们研究的主要贡献是:
1. LoREIN成功地将INR与低秩表示整合到双模型驱动的优化框架中,从而提高了加速MP-qMRI的重建效果。
2. LoREIN提出了一种新颖的无监督深度学习方法,用于在高加速下的高维k空间数据重建,提高了性能而不会显著增加计算成本。
3. LoREIN在不同加速因子、MRI序列和图像分辨率下表现出强大的能力,确保了无论采集协议和时间维度如何变化都能保持一致的性能。

**部分摘录**
**低秩表示**
在标准成像过程中,信号S通常由以下正向测量模型描述:
?S = E(I) + ?,
其中I代表底层图像,??是噪声,E表示物理正向算子。从测量数据中恢复I通常是一个病态的逆问题,可以表示为:
argmin_I | I - E(I) ||_2 || + λR(I),
其中第一项确保数据与测量数据的一致性(DC),R是正则化项,用于表征先验信息,λ用于平衡...

**MP-qMRI重建中的低秩表示**
在MP-qMRI重建中,从欠采样k空间数据中准确恢复加权图像Iw对于生成精确的组织特性定量参数图谱至关重要。具体来说,欠采样的k空间信号Sk由物理正向算子描述为:
Sk = MFCIw,
其中M表示采样掩模,F表示傅里叶变换,C是线圈灵敏度图,重建Iw的逆问题表示为:
argmin_Iw | Sk - MFCIw ||_2 || + λR(Iw)。

**在模拟数据集1上的比较**
图4显示了不同方法在不同加速因子下的代表性脑切片重建结果。LoREIN和Zero-DeepSub都表现出优越的伪影抑制效果,有效消除了LRT和Joint-MAPLE结果中明显的混叠伪影。这种性能优势在R = 27(图4(a))和R = 48(图4(b))时都得到了保持。然而,虽然Zero-DeepSub实现了相当的整体图像质量,但LoREIN在细节上表现更优。

**讨论**
在这项研究中,我们提出了LoREIN,这是一种用于高度加速3D MP-qMRI的新颖零样本重建框架。通过协同整合低秩和连续性先验,并同时优化加权图像和参数图谱,LoREIN实现了改进的重建性能。INR和低秩表示的结合使LoREIN能够在高度欠采样条件下学习最佳的空间基,同时利用结构和定量先验。

**结论**
在这项研究中,我们提出了LoREIN,这是一种创新的零样本重建框架,用于高度加速的3D MP-qMRI。LoREIN学习了将空间坐标直接映射到所需空间基和定量参数图的连续隐函数,实现了多对比度图像序列的全面表示。该框架独特地将低秩表示与INR相结合,并由双重信号模型指导,同时捕获空间连贯性和时间动态。

**作者贡献声明**
张浩楠:撰写——审稿与编辑、撰写——原始草案、可视化、验证、项目管理、方法论、调查、正式分析、数据管理、概念化。
老国彦:数据管理。
张玉瑶:监督、资源管理、项目管理、资金获取。
魏洪江:撰写——审稿与编辑、监督、资源管理、项目管理、资金获取。

**利益冲突声明**
作者声明他们没有已知的竞争财务利益或个人关系可能影响本文报告的工作。

**致谢**
本研究得到了中国国家重点研发计划(2024YFC2421100)、中国上海科技发展基金(23TS1400200)、中国国家自然科学基金(62471296)以及上海交通大学跨医学奖项研究(STAR 20220103, YG2023LC02)的支持。
相关新闻
生物通微信公众号
微信
新浪微博
  • 搜索
  • 国际
  • 国内
  • 人物
  • 产业
  • 热点
  • 科普

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号