基于深度学习的术中磁共振图像重建
内容提要
该文综述深度学习在MRI加速重建中的应用，涵盖卷积神经网络、生成对抗网络、自监督与强化学习方法，从欠采样数据重建图像，提升质量与速度，缩短扫描时间，降低对真实数据的需求，并展现实时成像潜力。
延伸解读
重建速度的突破
文章提到，基于卷积神经网络的深度级联方法在欠采样MRI数据下，每张图像重建速度可达23毫秒，足以实现实时应用。另一项基于条件生成对抗网络的研究则实现了每张图像0.22至0.37毫秒的重建速度。这些数据表明，深度学习在提升MRI重建速度方面具有显著优势，为实时成像和动态MRI提供了可能。
临床验证与扫描时间缩短
一项针对73名脑肿瘤或术后儿童患者的研究显示，使用深度学习方法（DeepMRIRec）可将扫描时间缩短四倍，结构相似性得分达到0.960，超过了当前最先进方法的0.896。这证明了深度学习在加速MRI扫描用于放疗规划方面的临床潜力，并强调了在真实临床数据上验证的重要性。
降低对真实数据的依赖
文章介绍了一种名为PISF的物理知识驱动合成数据学习框架，能够从公开的自然视频中学习动态MR图像重建。该方法在多种快速MRI重建场景中，使用合成数据训练模型，取得了与实际数据匹配甚至更好的结果，并将对真实MRI数据的需求降低了高达96%。这为解决医学影像数据稀缺问题提供了新思路。
自监督与强化学习的探索
文章提到了一种单图像自监督压缩感知MRI框架，通过深度与稀疏正则化降低伪影，在脑部和膝盖数据集上平均PSNR提高了2-4dB。此外，深度强化学习被用于控制MRI扫描仪，实现自主数据采集。这些方法展示了在有限监督下提升重建质量和自动化程度的潜力，但实际部署仍需进一步验证。
Q&A
深度学习在MRI重建中主要能解决什么问题？
深度学习用于MRI重建主要解决从欠采样数据中重建图像的问题，从而加速数据采集过程，缩短扫描时间，同时提升图像质量和重建速度。
有哪些深度学习模型被用于MRI图像重建？
文章提到了卷积神经网络（CNN）、生成对抗网络（GAN）、自监督学习、强化学习以及深度级联网络等模型。
深度学习MRI重建能达到多快的速度？
文章提到，基于卷积神经网络的深度级联方法每张图片重建速度可达23毫秒，足以实现实时应用；基于条件生成对抗网络的方法重建速度可达每张图像0.22毫秒至0.37毫秒，也具有实时应用潜力。
深度学习MRI重建如何减少对真实数据的需求？
通过使用物理学知识驱动的合成数据学习框架（如PISF），可以从公开的自然视频中学习动态MR图像重建，从而将对真实MRI数据的需求降低高达96%。
深度学习MRI重建在临床上有哪些应用案例？
文章提到一个案例：使用DeepMRIRec方法对73名患有脑肿瘤/手术后区的儿童进行MRI重建，将扫描时间缩短了四倍，结构相似性得分达到0.960，展示了加速MRI扫描用于放疗规划的潜力。
自监督学习在MRI重建中有什么效果？
文章提出了一种单图像自监督压缩感知MRI框架，能够实现深度与稀疏正则化，有效降低结构化压缩感知伪影，提高图像质量。在大脑和膝盖数据集上，平均峰值信噪比（PSNR）提高了2-4dB。
