NLCG-Net: 面向欠采样定量磁共振图像重构的基于模型的零样本学习框架
内容提要
本文汇总了多项MRI加速重建研究：SubZero框架结合注意力机制与子空间零样本学习，提升T2采集效果；无监督粗到细框架缓解过拟合；深度级联网络实现23毫秒实时重建；深度网络结合不确定性量化评估重建质量；端到端变分方法在fastMRI上达到最优；变分网络与深度学习结合用于去除伪影；NF-cMRI用于心脏电影MRI高欠采样重建；PINQI融合信号与采集模型；SelfCoLearn以自监督协作方式重建动态MRI。
延伸解读
零样本学习在MRI重建中的定位
文章汇总的多项研究显示，零样本学习被用于应对MRI加速重建中训练数据不足或分布偏移的问题。例如SubZero结合注意力机制与子空间零样本自监督学习，提升T2采集速度；NF-cMRI则用隐式神经场表征实现无监督心脏电影MRI重建。这些方法不依赖大规模标注数据，而是从采集数据本身学习，适合数据获取困难的场景。
重建速度与质量的权衡
深度级联网络实现了每张图像23毫秒的重建速度，足以支持实时应用，同时相比压缩感知方案具有更小错误和更好感知质量。而端到端变分方法在fastMRI上取得最优结果，变分网络则侧重去除伪影并保留病理特征。读者可关注不同方法在速度、精度和临床可用性上的侧重差异，而非单一指标。
不确定性量化与评估可靠性
文章提到结合深度网络与不确定性量化的反问题求解方法，通过估算与输入相关的比例映射来评估重建质量。这在医学成像中尤为重要，因为重建结果的可信度直接影响临床判断。该思路为加速MRI重建提供了除视觉质量外的量化评估维度，有助于识别可能失败的案例。
动态与高度欠采样场景的进展
针对动态MRI和高度欠采样，SelfCoLearn以自监督协作学习框架从欠采样k空间重建动态图像，NF-cMRI在26倍和52倍欠采样下仍实现良好图像质量。PINQI则融合信号、采集模型与学习正则化，高效还原高度欠采样图像。这些工作表明，结合物理采集模型与数据驱动方法正成为提升欠采样重建鲁棒性的重要方向。
Q&A
SubZero框架是如何提高2D T2-shuffling采集速度的？
SubZero是一个平行网络框架，结合了注意力机制和基于子空间的零样本自监督学习方法，用于提高2D T2-shuffling采集速度，并在T1和T2映射采集中表现出优于当前方法的性能。
有哪些方法可以解决MRI重建中的过拟合问题？
一种无监督的自适应粗到细框架通过学习从多维坐标到信号强度的映射，有效调整监督信号的比例，从而改善过拟合问题并提高MRI重建的整体质量。
实时MRI重建的速度能达到多少？
通过卷积神经网络的深度级联，在欠采样MRI数据下，每张图片的重建速度可达23毫秒，足以实现实时应用，且重建图像错误更小、感知质量更好。
如何评估MRI重建图像的质量？
一种结合深度网络和不确定性量化的反问题求解方法，通过估算与输入相关的比例映射来评估重建质量，并已应用于加速MRI重建等任务。
在fastMRI数据集上表现最好的端到端变分方法是什么？
一种学习完全端到端的方式扩展了先前提出的变分方法，在fastMRI数据集上获得了新的最先进结果，适用于脑部和膝盖的MRI。
心脏电影MRI高欠采样重建有哪些新方法？
NF-cMRI是一种基于隐式神经场表征的非监督方法，用于心脏电影MRI，在26倍和52倍欠采样黄金角度径向多线圈采集下，实现了良好的图像质量和可比较的空间及改进的时间描述，优于先进的重建技术。
