学习识别多模态磁共振指纹技术中的关键信号点

《Pattern Recognition》：Learning to identify critical signal points for multimodal Magnetic Resonance Fingerprinting

　　•软输入通道选择功能能够评估各输入通道的重要性，并实现输入数据的压缩。•可视化结果表明，我们的方法在目标通道选择方面优于现有方法。•通过重新设计的剪枝方法，将MRF输入优化扩展到复值数据领域。

引言
磁共振成像（MRI）是最重要的医学成像技术之一，其优势在于无创性、无需电离辐射以及出色的软组织对比度。然而，传统MRI技术只能基于加权组织参数生成图像，例如根据纵向弛豫时间（T1加权）和横向弛豫时间（T2加权）生成的图像。尽管这些参数能够反映组织的解剖结构与生理特性，但目前仍无法获得定量组织参数。对组织参数进行定量成像至关重要，因为这种技术有望在组织解剖结构发生变化之前就检测出异常[1]。

传统的定量磁共振成像（qMRI）需要为每种类型的组织参数单独采集数据，这不仅耗时，而且目前还不适合临床应用[2]、[3]、[4]、[5]。2013年，Ma等人提出了磁共振指纹技术（MRF），这是一种全新的qMRI方法[6]。MRF能够在单次采集过程中同时量化多种组织参数，如T1、T2、质子密度等。与传统方法相比，MRF具有更高效的定量成像能力，且在临床应用方面具有巨大潜力[7]、[8]、[9]、[10]。

所需的定量参数往往对某些采集参数的变化较为敏感，比如重复时间（TR）、翻转角度（FA）以及反转时间（TI）。在MRF采集过程中，这些参数会不断变化，从而导致不同组织或组织参数产生独特的信号演变特征。组织参数被编码到这些信号演变中，随后再通过特定算法进行解码。最初用于获取组织参数图的方法是字典匹配，即把演变的信号与预计算好的字典条目进行匹配。近年来，一些基于深度学习的方法也被用于重建组织参数映射图[11]。不过，这类方法仍存在一些限制其临床应用的缺陷，包括令人不适的噪声[12]、字典带来的巨大存储开销、字典匹配时的高计算成本，以及相对较长的采集时间[13]。这些问题产生的主要原因在于MRF独特的序列设计，它要求在采集每个切片或体积数据时重复采集数千个信号点。因此，解决这些问题的一个重要途径就是在保持可接受的组织参数估计精度的同时，减少用于重建的信号点数量。

早期关于MRF技术的研究主要集中在组织参数的重建上，比如通过压缩字典来减少存储空间并提高组织参数图的重建速度[14]。McGivney等人[15]使用奇异值分解（SVD）来压缩字典，从而提升了重建速度并降低了存储开销。Cauley等人[16]则采用了基于PCA的字典压缩方法并结合快速群匹配技术，与仅使用PCA压缩相比，使得参数映射图的重建速度提高了一个数量级。Pierre等人[17]运用多分辨率压缩感知重建方法，减少了指纹图像中的重建伪影，进而减少了最终参数映射重建所需的指纹图像数量，同时也缩短了采集时间。Zhao等人[18]提出了一种基于最大似然估计的重建方法，用于从高度欠采样的MRF数据中重建组织参数。该方法以传统方法作为迭代算法的初始值，为减少MRF采集时间并提升参数估计性能提供了一种新策略。Cao等人[19]利用滑动窗口技术，在每个时间点结合多个帧来生成混合对比度的指纹图像序列，随后再与混合对比度字典进行模板匹配，以提高重建精度。Hu等人[20]、[21]提出了一种基于结构化低秩矩阵的MRF迭代重建算法，该算法能在更少的采集次数下实现更准确的组织参数量化。此后，人们开始探索利用图结构来表示不同采样信号点之间的信号关系[22]、[23]。

研究人员尝试将深度学习应用于MRF中的组织参数重建任务，许多研究结果表明，这类方法的性能优于传统方法。Virtue等人[24]开发了一种带有心脏激活功能的复值神经网络，以便更好地处理复值MRF信号的输入。Cohen等人[25]则使用全连接网络来学习MRF信号与字典条目之间的映射关系，其实现的组织参数图重建速度比模板匹配快300至5000倍。后续的研究试图结合空间邻域信息[26]或时间信息[27]，进一步提升基于神经网络的MRF重建性能。Fang等人提出了一种两阶段模型[28]、[29]，该模型包括对MRF图像进行降维处理，以及利用空间信息重建组织参数图。Balsiger等人[30]进一步研究了空间邻域信息约束对MRF重建的贡献。还有一些研究将展开式网络引入MRF重建过程，通过数据一致性来实现更可靠的基于模型的组织参数重建[31]、[32]。Gu等人仅使用模拟的MRF数据训练深度学习模型，却在9.7T磁共振系统中，于亚毫米分辨率下实现了出色的组织参数重建性能。这说明，仅用模拟数据训练的MRF深度学习重建方法，在真实数据上也能展现出不错的泛化能力[33]。计算性能的进步使得在重建过程中能够模拟物理信息。Gong等人将基于物理信息的先验条件纳入隐式神经表示框架中，即便在高速采集条件下，也能提升定量计算的准确性与稳定性[34]。

尽管深度学习在一定程度上提高了MRF的扫描速度并大幅加快了参数估计速度，但它仍无法显著提升整体的参数估计速度。这是因为MRF通常采用螺旋扫描路径，而参数估计所花费的大部分时间都用于将非笛卡尔k空间数据重建为指纹图像序列这一过程[35]、[36]、[37]、[38]。目前，即使与深度学习方法相比，SVD方法[15]仍然是减少整体参数估计时间的最有效方法之一。由于SVD属于线性变换，通过字典分解得到的Vk所能压缩的数据可以直接应用于重建前的k空间数据，从而减少用于指纹图像重建的数据量。综上所述，深度学习方法并未显著提升从原始k空间数据到组织参数的整个参数估计速度。Soyak等人提出了CONV-ICA方法[39]，它在输入通道之后添加了一个通道注意力模块，从而实现更稳定的组织参数重建。值得注意的是，该注意力模块能够量化每个输入通道（即每个MRF采集时间点）的重要性。他们还研究了使用更少信号点（少至10个）来重建组织参数的效果。通过评估输入通道的重要性，他们选出了比随机选择更优的信号点组合，从而在较少信号点的情况下提升了组织参数估计的精度。评估通道重要性为加速扫描和增强数据压缩提供了依据。

在MRF序列设计及数据压缩方面，目前尚缺乏关于哪些信号点对参数估计更为关键的研究。CONV-ICA是最早探讨哪些输入通道更为重要的研究之一，为优化较短MRF序列的设计提供了潜在的理论指导。为了进一步研究在信号点较少的情况下哪些通道会变得更为重要，本研究提出了一种基于软剪枝的软输入通道选择（SICS）方法。该方法能够在不同的通道缩减比例下，实现对通道重要性的有针对性评估。此外，我们所提出的方法还可以轻松集成到其他基于深度学习的MRF重建模型中。因此，本项工作的主要贡献如下：
•我们的方法在挑选对组织参数估计最为关键的输入通道方面，达到了当前最优的性能水平。
•实验结果表明，与ICA方法相比，SICS方法在不同通道缩减比例下能实现更有针对性的通道选择效果。
•我们将MRF输入通道的优化范围从实值输入扩展到了复值输入，并重新设计了相应的复值剪枝方法。

章节节选
MRF处理
在MRF中获取组织参数图的整个重建过程可分为两个阶段。第一阶段是将从采集得到的原始k空间数据转换为MRF图像序列。这一过程通常使用通过并行成像获得的欠采样k空间数据，从而得到如图1所示的高维信号。在采集过程中得到的每个切片的k空间数据可表示为K∈?C×P×T，其中C代表……

提出的方法
在本节中，我们首先介绍本研究所采用的数据采集与预处理方法，随后阐述我们所提出的优化选择策略，包括软输入通道选择、模型架构以及实现细节。

实验
在训练阶段（剪枝训练阶段和微调阶段），均采用批量大小为32的ADAM优化器，通过最小化均方误差损失函数来进行训练。为了增加第一层卷积层的稀疏性，我们在该层的权重中加入了L1正则化项。这在剪枝之前会将那些不太重要的权重向零逼近，从而使后续的通道重要性排序与选择更加高效。正则化系数λ的不同取值会影响……

T1与T2的性能差异
表1显示，在相同的输入通道维度下，一种组织参数的误差降低往往会导致另一种组织参数的误差上升。在纯粹的MRF组织参数重建任务中，可以设计不同的目标导向算法来分别重建每种组织参数，这样就能为每种组织参数实现最高的重建性能，从而避免在不同参数的重建性能之间进行权衡……

结论
本研究提出了一种软输入通道选择方法，用于评估MRF信号点的重要性。实验结果表明，与随机选择以及目前最先进的SOTA方法相比，我们的方法通过合理组合输入通道，既能够在减少输入通道数量的同时，又能提升组织参数的重建性能。此外，我们还分析了算法中的一个重要参数——L1正则化系数的影响……

CRediT作者贡献说明
金瑞琪：写作——审阅与编辑、写作——初稿撰写、验证、软件、方法论、概念构思。庞彦伟：写作——审阅与编辑、写作——初稿撰写、研究调查、资金申请、形式分析。叶慧慧：写作——审阅与编辑、验证、软件、资源准备、方法论、数据整理。刘华峰：写作——审阅与编辑、项目管理、研究调查。赵鹏飞：写作——审阅与编辑、验证、监督、资源协调。

关于 manuscript 准备过程中生成式AI及AI辅助技术的声明
在撰写本文档的过程中，作者们使用了DeepSeek来协助进行中英互译及语言润色。在使用该工具/服务之后，作者们对内容进行了必要的审阅和修改，并对最终发表文章的内容承担全部责任。

利益冲突声明
作者们声明自己不存在任何可能影响本文研究工作的已知财务利益或个人关系。

致谢
本项目部分得到了中国国家重点研发计划（项目编号2023YFC2411100）、国家自然科学基金（项目编号52227814）以及中国医学科学院的资助（项目编号CX23YZ16）。金瑞琪|庞彦伟|叶慧慧|刘华峰|赵鹏飞|王振昌