该文档属于类型a，即单篇原创研究报告。以下是针对该研究的学术报告：
作者与发表信息
该研究由Ruimin Feng、Qing Wu、Jie Feng、Huajun She、Chunlei Liu、Yuyao Zhang和Hongjiang Wei共同完成。Ruimin Feng、Jie Feng、Huajun She和Hongjiang Wei来自上海交通大学生物医学工程学院；Qing Wu和Yuyao Zhang来自上海科技大学信息科学与技术学院；Chunlei Liu来自加州大学伯克利分校电气工程与计算机科学系。该研究发表于2024年4月的《IEEE Transactions on Medical Imaging》期刊第43卷第4期。
学术背景
该研究的主要科学领域为医学成像，特别是磁共振成像（MRI）的加速技术。MRI是一种广泛使用的临床诊断工具，但其主要缺点是数据采集时间较长。为了加速MRI采集，研究者提出了并行成像技术，通过利用多个接收线圈的信息冗余来减少采样时间。然而，从高度缩减的k空间测量中可靠地重建高质量图像仍然是一个挑战。近年来，隐式神经表示（Implicit Neural Representation, INR）成为一种强大的范例，能够利用部分获取数据的内部信息和物理特性生成期望的对象。本研究提出了一种名为IMJENSE的新方法，旨在通过扫描特定的隐式神经表示来改进并行MRI重建，特别是在极有限的校准数据情况下实现高质量图像重建。
研究流程
1. 问题定义与模型构建
研究首先将并行MRI重建问题表述为一个逆问题，即从稀疏采样的k空间测量中恢复MRI图像。IMJENSE方法将MRI图像和线圈灵敏度分别建模为空间坐标的连续函数，分别由多层感知机（MLP）和多项式参数化。MLP用于参数化MRI图像，多项式用于参数化线圈灵敏度。这些函数的权重和系数直接从稀疏获取的k空间测量中学习，无需完全采样的地面真相数据进行训练。
实验设计与数据集
研究使用了四个数据集来评估IMJENSE的性能：
超参数调优与训练
IMJENSE涉及两个重要超参数：λ（正则化参数）和w0（控制MLP学习高频信息的能力）。研究者使用贝叶斯优化方法对超参数进行微调，并通过最小化数据一致性损失和总变分损失来同时优化MLP的权重和多项式的系数。训练完成后，神经网络能够直接生成重建图像，并通过额外的步骤强制k空间的数据一致性。
性能评估与对比
IMJENSE与多种传统算法（如GRAPPA、JSENSE、NLINV等）和深度学习方法（如H-DSLR、MODL）进行了比较。研究者通过峰值信噪比（PSNR）和结构相似性指数（SSIM）等指标定量评估了重建结果，并展示了恢复的k空间数据及其误差图。结果表明，IMJENSE在极有限的校准数据情况下表现优于其他方法。
主要结果
1. 膝关节数据集
在加速因子为4和5的情况下，IMJENSE分别实现了40.86 dB和39.02 dB的PSNR，以及0.960和0.949的SSIM，显著优于其他方法。
2. 猕猴脑数据集
IMJENSE在加速因子为2的情况下，实现了31.71 dB的PSNR和0.899的SSIM，有效去除了其他方法无法抑制的伪影。
3. 人类大脑数据集
在仅使用8条ACS线的情况下，IMJENSE在加速因子为5和6时分别实现了33.87 dB和32.51 dB的PSNR，以及0.940和0.942的SSIM，表现出对ACS大小的强鲁棒性。
4. 病变数据集
IMJENSE在病变检测中表现出色，实现了32.65 dB的PSNR和0.934的SSIM，能够清晰区分病变区域与周围组织。
结论与意义
IMJENSE是一种无需训练数据库的深度学习方法，能够从部分获取的k空间数据中学习MRI图像和线圈敏感性的连续函数表示。其在极有限的校准数据情况下表现出色，能够在二维笛卡尔采集中显著改进并行MRI重建。该方法在进一步加速MRI数据采集方面具有巨大潜力，特别是在临床应用中，可以减少扫描时间并提高图像质量。
研究亮点
1. 创新性方法
IMJENSE是首个探索隐式神经表示在并行MRI重建中应用的方法，通过联合估计MRI图像和线圈灵敏度，避免了误差传播。
2. 无需训练数据库
该方法无需训练数据集即可应用于不同的成像模态、加速因子、MRI制造商和器官，具有广泛的适用性。
3. 强鲁棒性
IMJENSE在极有限的校准数据情况下表现稳定，允许更高的有效加速率。
4. 与其他正则化器的兼容性
该方法能够轻松与其他图像正则化器结合，进一步优化重建结果。
其他有价值的内容
研究者还探索了哈希编码在加速IMJENSE框架中的应用，初步实验结果表明，哈希编码可以显著减少计算时间，同时保持重建质量。未来工作将进一步评估哈希编码在更大数据集上的性能，并探索其他加速策略，如元学习和迁移学习。