《S3CNet：基于自监督孪生协作网络的磁共振成像加速重建方法》学术报告
一、作者团队与发表信息
本研究由Chenghu Geng、Mingfeng Jiang*（通讯作者）等来自浙江理工大学计算机科学与技术学院、中国计量大学信息工程学院、浙江大学生物医学工程系、澳大利亚昆士兰大学电气工程与计算机科学学院的研究团队共同完成。论文以”S3CNet: Self-supervised Siamese Cooperative Network for Accelerating Magnetic Resonance Imaging Reconstruction”为题，投稿至期刊《Pattern Recognition》，目前处于审稿阶段（稿件编号：pr-d-25-02502），属于机器学习领域的全文研究论文。
二、研究背景与科学问题
在临床诊断中，磁共振成像（MRI）因其非侵入性和高分辨率优势成为重要工具，但传统MRI扫描速度慢（单次扫描需数十分钟），易因患者移动产生伪影。现有深度学习方法虽能加速MRI重建，但依赖大量全采样标记数据进行监督训练，实际应用中面临两大挑战：
1. 获取全采样数据成本高昂且临床实践中难以实现
2. 现有自监督方法忽视测量噪声传播问题，且缺乏对未知数据的预测能力
针对这些问题，研究团队提出自监督孪生协作网络（S3CNet），旨在通过创新网络架构和损失函数设计，实现无需全采样标签数据的高质量MRI重建。
三、研究方法与技术路线
（一）整体框架设计
S3CNet采用两阶段重建策略：
1. 噪声消除阶段：将欠采样k空间数据随机划分为两个互斥子集，通过交叉一致性损失（cross-consistency loss）和测量一致性损失（measurement consistency loss）约束，抑制测量噪声传播
2. 预测增强阶段：以第一阶段输出为伪标签，通过重建一致性损失（reconstruction consistency loss）提升网络对未知数据的推理能力
（二）核心技术创新
1. 混合自监督损失函数
- 测量一致性损失（MC）：强制重建结果在k空间与原始测量数据一致
- 交叉一致性损失（Cross）：基于噪声2噪声（Noise2Noise）理论，通过独立噪声图像对训练实现去噪
- 重建一致性损失（RC）：通过采样-重建闭环约束增强泛化能力
（三）实验设置
1. 数据集：采用fastMRI数据库的T1（1680训练/192测试）和T2加权脑部MRI（2397训练/320测试）
2. 采样方式：伪径向掩码在10%/20%/30%采样率下欠采样
3. 评估指标：峰值信噪比（PSNR）和结构相似性（SSIM）
4. 对比方法：包括UNet、ADMM-CSNet等4种监督方法和SSDU、DDSS等4种自监督方法
四、主要研究结果
（一）定量分析
在T1数据集10%采样率下：
- 相比最优自监督方法DDSS，PSNR提升0.84dB（36.48 vs 35.64）
- 接近监督方法ISTA-Net+（37.10 dB），优于ADMM-CSNet（34.08 dB）
在T2数据集20%采样率下：
- 重建时间仅0.0315秒，比ADMM-CSNet快34.7%
- 参数量0.639MB，远低于DDSS（40.41MB）
（二）定性分析
1. 视觉质量：在20%采样率下，S3CNet重建图像细节保留优于SSDU（PSNR提升7.01dB）
2. 噪声抑制：交叉一致性损失有效减少k空间噪声伪影
（三）消融实验
1. 损失函数组合：MC+Cross+RC联合训练使PSNR比单用MC提升10.05dB
2. 网络深度：9阶段网络在性能与效率间取得平衡（PSNR 36.48 dB vs 11阶段的36.77 dB）
3. 门控单元：完整门控机制比无门控提升0.27dB
五、研究价值与创新点
（一）科学价值
1. 为无全采样标签的MRI重建提供新范式，扩展了自监督学习在医学影像的应用边界
2. 通过理论证明（Theorem 1）将Noise2Noise方法推广至非单位采样矩阵情形
（二）临床应用价值
1. 降低对昂贵全采样数据的依赖，使深度学习MRI重建更易临床推广
2. 重建速度满足实时性要求（单图像<32ms）
（三）技术亮点
1. 首创两阶段自监督框架，同步解决噪声传播与域外预测问题
2. 门控记忆网络突破传统DUN的信息传输瓶颈
3. 混合损失函数实现测量域与图像域的多层次约束
六、发展前景
未来工作可拓展至动态MRI、多对比度重建等场景。研究团队已开源代码，其门控机制设计思路对CT、PET等医学影像重建具有借鉴意义。该成果标志着自监督学习在医学图像重建领域取得重要突破，为临床快速成像提供了新解决方案。