基于运动信息的脑 MR 图像重建深度学习框架
内容提要
本文综述了深度学习在核磁共振成像（MRI）运动校正中的应用，探讨了不同方法的挑战与潜力，展示了深度学习模型在运动伪影检测、图像重建及质量评估中的有效性，强调了其在临床成像中的重要性和未来发展方向。
延伸解读
运动校正的临床价值与自动化需求
文章指出，MRI数据获取中的质量评估是确保数据质量和下游分析成功的关键步骤。深度学习模型能够自动检测T1加权脑图像中的刚体运动，并作为ArtifactID工具的一部分，在线识别Gibbs环绕、穿越和运动伪影。这种自动化不仅节省了传统质量评估所需的时间，还增强了现场专业知识，特别适用于磁共振知识匮乏的资源匮乏环境。
加速重建与实时应用的突破
通过卷积神经网络的深度级联，研究提出了一种在欠采样下加速MRI数据采集的图像重建框架。与压缩感知方案相比，该方法重建的图像错误更小、感知质量更好，且每张图片重建速度可达23毫秒，足以实现实时应用。这为需要快速成像的临床场景提供了潜在解决方案。
联合去噪与伪影校正的集成框架
文章介绍了一种通过迭代学习处理带有运动伪影的噪声MRI的联合图像去噪和伪影校正框架，包含自适应去噪模型和抗伪影模型。在公共数据集和临床研究中，该框架在去噪和运动伪影校正两个任务上均被证明有效。这种集成方法有望简化处理流程，提升图像质量。
无监督动态MRI重建的进展
针对动态MRI，文章提出了一种基于深度学习的无监督重建算法，利用低维流形、映射流形的网络和卷积神经网络，能够重建高空间分辨率的连续动态MRI序列。在数量和质量上，该方法优于现有方法，为动态成像提供了新思路，但文章未提及具体临床验证细节。
Q&A
深度学习如何应用于MRI运动校正？
深度学习在MRI运动校正中用于运动伪影检测、图像重建和质量评估，提升了成像质量和效率。
有哪些方法可以加速MRI数据采集？
通过卷积神经网络的深度级联，提出了一种加速数据采集的图像重建框架，重建速度可达23毫秒。
深度学习如何改善MRI图像质量？
深度学习结合注意力模块和修正模块，显著改善了MRI图像重建结果，降低了计算复杂度。
联合图像去噪和伪影校正框架的有效性如何？
该框架在去噪和运动伪影校正中表现出良好的效果，经过实验证明其有效性。
全自动运动跟踪方法在MRI中的优势是什么？
这种方法在心脏标记MRI图像中表现出优越的准确性和推理效率，优于传统方法。
无监督动态MRI重建算法的特点是什么？
该算法通过低维流形和卷积神经网络重建高空间分辨率的动态MRI序列，优于现有方法。
