利用基于物理知识的深度学习实现低场强MRI图像重建
利用基于物理知识的深度学习实现低场强MRI图像重建
背景介绍：
磁共振成像（MRI）技术近年来在低场磁共振成像中的应用越来越受到关注。低场MRI由于其成本低、维护简便，被认为在各种临床和研究环境中具有广泛的应用前景。例如，便携式低场MRI扫描仪不仅更容易操作，还可用于应急单位和手术室等场景。此外，初步评估表明低场MRI在中风诊断中具有潜在的临床应用，这使得该技术在全球医疗诊断中更具吸引力。然而，低场MRI的主要挑战包括低信噪比（SNR）和由磁体设计、材料缺陷和制造公差引起的强B0场不均匀性。
本研究由David Schote, Lukas Winter, Christoph Kolbitsch, Georg Rose, Oliver Speck和Andreas Kofler等学者完成，发表于2023年的IEEE Transactions on Biomedical Engineering上。此次研究旨在利用物理知识和深度学习相结合的方法，解决低场MRI图像中的失真和噪声问题，从而提高图像质量和诊断准确性。
研究方法：
本研究提出了一种基于展开神经网络的模型驱动图像重建方法，称为SH-Net（Spherical Harmonic Network），通过估计球谐系数来保证空间场图估计的平滑性。该网络通过端到端可训练的模型，联合估计B0场图和图像重建。实验使用了人类膝关节的低场数据进行回顾性模拟，比较了在不同噪声水平和各种B0场分布下的模型与其他模型驱动方法的性能。
具体流程如下：
数据获取和预处理： 本研究采用来自FastMRI数据集的三维单线圈自旋回波膝关节采集数据。每个样本选择一个二维切片，共获得973个不同的复值样本。在训练、验证和测试阶段分别生成1260（70%）、360（20%）和180（10%）幅图像。
SH-Net的架构设计： SH-Net通过编码路径来估计复值输入图像的球谐系数，设定固定数目的16个特征通道，通过全连接层将系数映射到球谐系数。网络的目的是生成5阶以内的系数，足以描述场图。
正则化项神经网络： 本研究采用两种不同的神经网络架构，分别用于场图估计和图像去噪。去噪时，采用带残差连接的U型网络（U-Net）。假设已经有一个好的场图估计，通过对几何畸变校正的B0场图，使用U-Net进行图像降噪。
优化策略： 改进算法由两个交替的小问题组成，分别对场图和图像进行优化。为提高训练效率，采用神经网络的预训练策略，分别针对相关任务对SH-Net和U-Net进行预训练，然后进行端到端训练。
实验设计： 进行了不同交替次数的实验，研究交替优化对重建结果的影响。预训练的神经网络使用Adam优化器，在训练过程中对正则化系数进行优化。最终确定最优的t=3交替次数，用于后续结果分析。
研究结果：
场图估计结果： 在不同的噪声水平下，SH-Net均表现出较低的平均绝对误差（MAE），远优于相位差图和现有的残差卷积神经网络（ORN）方法。MAE在全场图范围内为324.7±145.3Hz（σ_y=0.2），在感兴趣区域（ROI）内有更低的误差。
图像重建结果： 比较了终端到端训练的展开优化算法与B0不知情的FFT重建、联合模型、双模型方法。以下为不同噪声水平的重建指标：
- RMSE（均方根误差）： 在σ_y=0.2下，SH-Net训练方法的RMSE为0.1386，显著低于联合和双模型方法。
- PSNR（峰值信噪比）： 在σ_y=0.2下，SH-Net方法PSNR为28.058，比其他方法更高。
- SSIM（结构相似性指数）： 在σ_y=0.2下，SH-Net方法的SSIM为0.6906，远超其他方法。
综合对比： 结合定量指标和重建图像的视觉质量，SH-Net方法在校正几何畸变、提高图像信噪比方面表现优异，尤其在噪声较高时具有更好的稳定性和鲁棒性。
结论与意义：
本研究提出了一种面向低场MRI的新型图像重建方法，通过结合物理知识和深度学习，在联合校正B0不均匀性和提高图像信噪比方面，达到了显著效果。该方法不仅适用于单次扫描，实现了减少获取时间，在实际临床应用中具有重要潜力。未来，可以进一步扩展至非笛卡尔轨迹和实测低场MRI数据。
亮点：
- 创新性提出SH-Net网络架构，通过物理驱动的深度学习方法，确保了场图估计的空间平滑性。
- 高效的联合优化策略，大大提高了场图和图像重建的鲁棒性和准确性。
- 在不同噪声水平和复杂场图情况下，SH-Net方法表现优异，证明其在低场MRI应用中的广泛适用性。