劉羽軒，楚智欽，張煜

南方醫(yī)科大學(xué)生物醫(yī)學(xué)工程學(xué)院//廣東省醫(yī)學(xué)圖像處理重點(diǎn)實(shí)驗(yàn)室，廣東 廣州510515

多回波多參數(shù)定量磁共振成像（qMRI）是一種定量MRI［1］的成像技術(shù)，它利用多回波圖像獲得多對(duì)比度圖像來(lái)量化組織性質(zhì)。與廣泛使用的定性MRI有很大不同的是，定量MRI通過(guò)獲得多對(duì)比度圖像來(lái)重建參數(shù)圖，如定量質(zhì)子密度加權(quán)（PDW）、T1弛豫時(shí)間等組織參數(shù)映射、定量T2*Map［2,3］映射等。這種多參數(shù)圖可以提供關(guān)于醫(yī)學(xué)圖像解剖結(jié)構(gòu)特征的互補(bǔ)的定量信息，為特定的組織組成和微觀結(jié)構(gòu)提供更多的見(jiàn)解。然而，多參數(shù)MRI需要對(duì)解剖結(jié)構(gòu)進(jìn)行多次成像，通過(guò)多個(gè)翻轉(zhuǎn)角（FA）、回聲時(shí)間（TE）和重復(fù)時(shí)間（TR）產(chǎn)生不同的對(duì)比進(jìn)行參數(shù)量化。對(duì)所有組織類型的時(shí)間信號(hào)演化的要求可能導(dǎo)致過(guò)長(zhǎng)的掃描時(shí)間，這將增加個(gè)體的不適感和在采集過(guò)程中產(chǎn)生運(yùn)動(dòng)偽影。因此，在保持良好圖像質(zhì)量的同時(shí)，開發(fā)一種加速多參數(shù)MRI成像的重建技術(shù)至關(guān)重要。

從欠采樣的k空間重建高質(zhì)量圖像是加速多對(duì)比度磁共振成像的主要策略，但這是一個(gè)沒(méi)有解析解的逆問(wèn)題。對(duì)于定量MRI，傳統(tǒng)的定性MRI重建方法如并行成像［4-6］（PI）和壓縮感知［7-9］（CS）可以獲得多對(duì)比度圖像，然后采用物理模型進(jìn)行參數(shù)圖估計(jì)。然而，當(dāng)加速速率較高時(shí)，這些傳統(tǒng)的方法會(huì)出現(xiàn)殘留的偽影混疊現(xiàn)象?；谏疃葘W(xué)習(xí)的MRI 重建方法已被提出［10］，包括獨(dú)立的去噪網(wǎng)絡(luò)和解卷級(jí)聯(lián)網(wǎng)絡(luò)［11,12］。基于卷積神經(jīng)網(wǎng)絡(luò)［13-23］（CNNs）的方法被提出來(lái)去進(jìn)一步增加加速因子和提高重建質(zhì)量。遺憾的是，這些研究沒(méi)有充分利用輸入數(shù)據(jù)，特別是在處理小數(shù)據(jù)集的時(shí)候。例如，在一些研究中［11,14-20,23］，輸入數(shù)據(jù)只在圖像域進(jìn)行處理，而在頻域和圖像域同時(shí)進(jìn)行處理可以獲得更好的圖像重建效果［13,21,22］。此外，生成對(duì)抗網(wǎng)絡(luò)（GANs）也被用于MRI重建工作［24-26］，這些方法通過(guò)引入GAN來(lái)讓輸出的重建圖像學(xué)習(xí)全采樣圖像的數(shù)據(jù)分布，但它們無(wú)法與同時(shí)涉及多域聯(lián)合訓(xùn)練的方法相比。并且，使用相同的U-Net網(wǎng)絡(luò)，特別是簡(jiǎn)單的池化和上采樣層應(yīng)用于頻域和圖像域信息，對(duì)頻域恢復(fù)和圖像重建并不是最合適的［27］。另一方面，單一地使用像素差值類型的損失函數(shù)并不能充分約束重建損失以提高重建圖像的質(zhì)量，重建的質(zhì)量并不只受到像素之間差值的影響，也與圖像的對(duì)比度、亮度和相似性有關(guān)［28］。

除了網(wǎng)絡(luò)結(jié)構(gòu)設(shè)計(jì)問(wèn)題外，數(shù)據(jù)的預(yù)處理和使用顯得更為重要。例如，數(shù)據(jù)的不正確處理又會(huì)導(dǎo)致很多算法都只能止步于實(shí)驗(yàn)階段，缺乏實(shí)時(shí)性也無(wú)法真正落地即實(shí)驗(yàn)與真實(shí)場(chǎng)景使用數(shù)據(jù)形式不一致。其次，醫(yī)學(xué)圖像數(shù)據(jù)的收集困難，通常只能從少量的樣本中提取信息，但是，要想進(jìn)行有效的深度學(xué)習(xí)訓(xùn)練，就必須收集大量的訓(xùn)練數(shù)據(jù)。通過(guò)結(jié)合物理驅(qū)動(dòng)的深度學(xué)習(xí)重建方法，可以有效地解決k空間到圖像域或者圖像域之間的映射問(wèn)題，從而提高模型的泛化能力，減少訓(xùn)練數(shù)據(jù)量，并且可以更好地學(xué)習(xí)和預(yù)測(cè)模型的最優(yōu)參數(shù)。然而，在許多加速定量磁共振成像研究中［29-32］，采樣數(shù)據(jù)的選擇和網(wǎng)絡(luò)結(jié)構(gòu)的設(shè)計(jì)仍然沒(méi)有擺脫單線圈數(shù)據(jù)的使用和基于數(shù)據(jù)驅(qū)動(dòng)處理的模式弊端。而我們都知道，實(shí)際使用大多都是多線圈數(shù)據(jù)，將傳統(tǒng)重建方法中的物理原理和深度學(xué)習(xí)結(jié)合起來(lái)，能實(shí)現(xiàn)比基于數(shù)據(jù)驅(qū)動(dòng)方式更好的結(jié)果。

1 方法

1.1 總體結(jié)構(gòu)

本研究所提出的框架由兩個(gè)部分組成（圖1）。第一部分是利用深度學(xué)習(xí)網(wǎng)絡(luò)對(duì)多回波圖像進(jìn)行重建。然后利用重建后的多回波圖像進(jìn)行基于物理模型的最小二乘擬合以獲得多對(duì)比度多參數(shù)圖像。給定欠采樣的多回波梯度回波序列 k 空間數(shù)據(jù)Y={Y1,Y2,…,YT}∈CT×C×N，其中N=Nx×Ny，并且Yi∈CC×N，其中i=1,2,…,T是第i個(gè)多線圈復(fù)值欠采樣回波k空間數(shù)據(jù)，N表征每個(gè)線圈數(shù)據(jù)的像素?cái)?shù)量以及C為總的線圈數(shù)，T是總的回波數(shù)。由于二維多回波多線圈數(shù)據(jù)的巨大內(nèi)存消耗，本研究在讀出方向（RO）中執(zhí)行二維圖像重建，在RO方向全采樣而相位編碼（PE）和空間相位編碼（SPE）其他兩個(gè)方向則處于欠采樣的條件約束。Nz表示讀出方向上的總層數(shù)，其中（s=1,2,…,Nz）。為了更好的描述多回波磁共振成像系統(tǒng)，本研究定義:

圖1 網(wǎng)絡(luò)框架Fig. 1 Overall architecture of the proposed method.

其中X∈CT×N表示重建的多回波圖像，并且b∈CT×C×N表示高斯噪聲，這有利于異常點(diǎn)的重建。操作算子A作用于系統(tǒng)矩陣并且通?？梢员欢x為:

其中M={M1,M2,…,MT}表示多回波采樣矩陣，每個(gè)矩陣Mi∈{0，1}N×N，F(xiàn)表示二維離散傅里葉變換，S∈CC×N×N表示線圈敏感度圖。

由于加速M(fèi)RI重建是一個(gè)沒(méi)有解析解的逆問(wèn)題，需要對(duì)輸出圖像X進(jìn)行正則化來(lái)限制解空間。通常，優(yōu)化問(wèn)題可以表述為:

以λ∈R作為平衡數(shù)據(jù)保真度項(xiàng)和正則化項(xiàng)R(X)的權(quán)重。為了同時(shí)有效地處理實(shí)部和虛部數(shù)據(jù)，本研究將Y分為實(shí)部和虛部?jī)蓚€(gè)通道送入到本研究的重建網(wǎng)絡(luò)中。本研究的網(wǎng)絡(luò)包含生成器和判別器，它們迭代數(shù)為p(p=1,2,…,K)次，K為總的迭代次數(shù)，每次迭代后網(wǎng)絡(luò)的性能都會(huì)得到提升。圖2A展示了所提出的網(wǎng)絡(luò)架構(gòu)，我么可以將重建的回波圖像進(jìn)行后處理以得到多參數(shù)多對(duì)比度的圖像例如PDW、T1W以及T2*Map。合成的方法如下所示:

圖2 基于物理模型的級(jí)聯(lián)的生成對(duì)抗網(wǎng)絡(luò)的多回波磁共振重建框架圖Fig. 2 The physical model-based framework for accelerating multi-echo MRI reconstruction with cascaded generative adversarial networks.Where A-D represent the overall network framework,the complete generator structure,the K-space and image generator and E,F denote the MSFS and CSRB module separately

Xi∈CN表示重建的單個(gè)回波圖像，T2*Map映射計(jì)算采用MDI方法［3］。

1.2 生成器

生成器（G）由k空間生成器Gf、圖像生成器Gi、線圈敏感度圖生成器Gs和數(shù)據(jù)一致性層［12］（DC）組成。一次迭代后，圖像生成器的輸出將被輸送到上一個(gè)的k空間生成器中以提供額外的監(jiān)督信息。k空間生成器、圖像生成器和數(shù)據(jù)一致性層的每次迭代都共享相同的參數(shù)。生成器的優(yōu)化過(guò)程如下所示:

生成器的結(jié)構(gòu)如圖2B所示。

1.2.1k空間生成器 在k空間生成器中，卷積層由3×3×3 卷積核、實(shí)例歸一化（IN）層和校正線性操作單元（LReLU）組成。具體來(lái)說(shuō)，最后一層只有1×1×1的卷積運(yùn)算。由于輸入的不是真正意義上的三維數(shù)據(jù)，而是多回波二維數(shù)據(jù)，因此僅在二維空間減少特征圖像分辨率大小，而卷積操作仍然在三維空間中進(jìn)行。k空間信號(hào)具有全局信息。為了避免特征空間中頻域信息的丟失，本研究提出采用多尺度特征融合采樣層（MSFS）來(lái)代替池化層和上采樣層。此外，本研究使用預(yù)訓(xùn)練網(wǎng)絡(luò)提供偏移校正的頻域信息，以獲得接近全采樣頻域信息的頻域特征圖。

預(yù)訓(xùn)練的網(wǎng)絡(luò)是U-Net。本研究只在第一次迭代網(wǎng)絡(luò)中引入預(yù)訓(xùn)練網(wǎng)絡(luò)。MSFS模塊的詳細(xì)結(jié)構(gòu)如圖2E 所示。其中，B為批處理大小，E為通道數(shù)，T×H×W為三維特征圖的維度。本研究定義第p個(gè)k空間生成器的輸入為Yp，第p個(gè)k空間生成器的損失包含均方誤差損失，可以表示為:

1.2.2 圖像生成器 圖像生成器使用與k空間生成器相同的卷積、歸一化和激活函數(shù)，但將池化層替換為卷積核為3×4×4 步幅為2的卷積。本研究定義第p個(gè)圖像生成器的輸入為Xp，由圖像域與頻域之間的關(guān)系可得到:

其中F-1表示二維離散逆傅里葉變換。由于多回波二維圖像丟失了三維空間結(jié)構(gòu)信息，因此利用特征圖通道殘差塊和空間特征表示模塊（CSRB）增強(qiáng)特征信息是解決空間結(jié)構(gòu)變化引起的結(jié)構(gòu)信息丟失問(wèn)題的可行方法。CSRB模塊的詳細(xì)結(jié)構(gòu)如圖2F所示。此外，本研究使用了絕對(duì)誤差損失、均方誤差損失、梯度差異損失和結(jié)構(gòu)相似性損失［29］的組合損失函數(shù)來(lái)保持良好的圖像細(xì)節(jié)。絕對(duì)誤差損失L1和均方誤差損失L2可以表征為像素誤差損失。本研究定義第p個(gè)圖像生成器的像素誤差損失為:

實(shí)際上，在系統(tǒng)矩陣A中，線圈靈敏度圖S也是未知的，需要進(jìn)行估計(jì)。需要注意的是，由同一線圈獲得的多回波數(shù)據(jù)具有相同的靈敏度圖S。本研究采用UNet作為線圈敏感度圖生成器，其可以表示為：

其中，RSS表示平方求和開根運(yùn)算符。

1.3 判別器

判別器采用PatchGAN結(jié)構(gòu)［33］。直接端到端映射將影響多回波圖像重建質(zhì)量。因此，結(jié)合來(lái)自迭代網(wǎng)絡(luò)的每個(gè)損失，可以有效地提取潛在信息，提高模型的表達(dá)能力。為了讓迭代網(wǎng)絡(luò)的每個(gè)損失更加符合模型的訓(xùn)練過(guò)程，本研究基于指數(shù)衰減的模型［12,13］的總損失可以表示為:

其中mul表示逐元素相乘算子。

1.4 統(tǒng)計(jì)學(xué)方法

使用python stats 庫(kù)中的t檢驗(yàn)來(lái)計(jì)算P值，當(dāng)P＜0.05時(shí)認(rèn)為差異有統(tǒng)計(jì)學(xué)意義。

2 結(jié)果

2.1 數(shù)據(jù)集

本研究使用了三維MULTIPLEX（MTP）獲得的多回波多線圈內(nèi)部數(shù)據(jù)，這是最近提出的一種用于多參數(shù)腦映射的新序列［34］。特別的是，MTP是一種具有雙重復(fù)時(shí)間（TR）、雙翻轉(zhuǎn)角度（FA）和多回波設(shè)計(jì)的梯度回波脈沖序列（GRE），以提供不同的對(duì)比度。MTP采集在3T掃描儀（890）上采用32通道頭線圈，使用以下參數(shù)：FA1/FA2=4/16，每個(gè)翻轉(zhuǎn)角獲取6～8個(gè)回波同時(shí)回波時(shí)間（TE）=3.9～20.8ms，兩個(gè)TR的值都為34.5ms，矩陣大小為256×256×80，體素大小為1×1×2mm3。本研究可以靈活的設(shè)計(jì)MTP序列的參數(shù)比如TR，TE，F(xiàn)A，層厚以及FOV。數(shù)據(jù)集包含20名受試者，共計(jì)284個(gè)回波，每一個(gè)全采樣受試者的中心40個(gè)切片，包含相應(yīng)的腦組織，16/2/2名受試者（640/80/80）切片作為訓(xùn)練、驗(yàn)證和測(cè)試，一個(gè)完整的受試者的全采樣圖像所需時(shí)間為14 min。

2.2 實(shí)驗(yàn)設(shè)置

本研究對(duì)比了傳統(tǒng)方法ESPIRIT［35］，級(jí)聯(lián)CNN網(wǎng)絡(luò)（DC-UNet）［18］，生成對(duì)抗網(wǎng)絡(luò)［27］和本研究設(shè)計(jì)的方法（ME-DCGAN）。所有模型都在PyTorch中訓(xùn)練，使用NVIDIAGeForce RTX 3090顯卡和24GB GPU內(nèi)存，使用Adam優(yōu)化器，參數(shù)β1=0.5 以及β2=0.999，學(xué)習(xí)率為1e-3，共訓(xùn)練50次，批處理大小為1。所有對(duì)比方法均使用它們的默認(rèn)參數(shù)設(shè)置重新訓(xùn)練。評(píng)價(jià)指標(biāo)包括峰值信噪比（PSNR）、結(jié)構(gòu)相似指數(shù)（SSIM）和歸一化均方根誤差（NRMSE）。本研究應(yīng)用權(quán)重變量[ε，α，β，γ，ω]的權(quán)值為[5，1000，1000，0.001，1]，判別器損失函數(shù)的權(quán)值設(shè)為0.1。增加展開級(jí)聯(lián)迭代次數(shù)會(huì)增加計(jì)算成本，初步實(shí)驗(yàn)表明，當(dāng)?shù)螖?shù)超過(guò)3次時(shí)，重建效果不明顯。因此，本研究使用最大迭代次數(shù)p為3來(lái)訓(xùn)練所提出的模型。

2.3 實(shí)驗(yàn)結(jié)果

對(duì)所有重建的多回波圖像和多對(duì)比度圖像而言，ME-DCGAN 模型的PSNR 和SSIM 最高，NRMSE 最低，與傳統(tǒng)ESPIRIT方法相比，重建指標(biāo)PSNR、SSIM和NRMSE的提升接近20%，與基于深度學(xué)習(xí)的對(duì)比方法DC-UNet［18］和Shaul［27］相比，其指標(biāo)也能提升5%左右（表1）。本文中所有的方法均使用python stats庫(kù)中的t檢驗(yàn)來(lái)計(jì)算P值，計(jì)算結(jié)果表明重建的多回波圖像和擬合的多參數(shù)圖像與全采樣的圖像相比均具有統(tǒng)計(jì)學(xué)意義（P＜0.05）。對(duì)于重建后的多回波圖像，對(duì)比方法在擬合過(guò)程中均使用相同的物理模型獲取多對(duì)比度多參數(shù)圖像。因此，對(duì)于多對(duì)比度多參數(shù)圖像，本研究的方法在PDW和T1W具有最高的PSNR。盡管T2*Map的PSNR較低，但本研究的方法仍然在定量上優(yōu)于其它的對(duì)比方法，并且本研究的方法也重建出更為清晰的大腦灰質(zhì)、白質(zhì)和腦脊液特征。雖然DC-UNet通過(guò)級(jí)聯(lián)多個(gè)圖像域U-Net去噪網(wǎng)絡(luò)恢復(fù)了較為精確的圖像細(xì)節(jié)，但是只需級(jí)聯(lián)一次的ME-DCGAN網(wǎng)絡(luò)比級(jí)聯(lián)三次的DC-UNet具有更好的圖像細(xì)節(jié)和特征恢復(fù)性能，更高的重建指標(biāo)以及更魯棒的實(shí)驗(yàn)過(guò)程與結(jié)果分析。這表明了在模型參數(shù)量大致相等的情況下混合域?qū)W習(xí)具有比單域?qū)W習(xí)更大的優(yōu)越性以及對(duì)圖像細(xì)節(jié)的敏感性。本研究方法的重建指標(biāo)對(duì)比Shaul等［27］的工作表明使用相同的網(wǎng)絡(luò)結(jié)構(gòu)在頻域恢復(fù)和圖像重建中并不是最合適的。由于頻域與圖像域的差異，我們需要設(shè)計(jì)不同的網(wǎng)絡(luò)結(jié)構(gòu)來(lái)特具化地恢復(fù)頻域與圖像域的信息。實(shí)驗(yàn)采用5倍加速度下的二維變分密度采樣。在5倍加速條件下，基礎(chǔ)的采樣時(shí)間縮短為172 s。由于不同的方法迭代時(shí)間不一致，而ESPIRIT作為傳統(tǒng)的壓縮感知方法，重建所需時(shí)間會(huì)大于基于深度學(xué)習(xí)的方法，而對(duì)物理模型的擬合過(guò)程也需要少量的時(shí)間?？偟膩?lái)說(shuō)，本研究的方法在重建時(shí)間不超過(guò)10%的前提下能顯著優(yōu)于其它對(duì)比方法。

表1 在重建的多回波圖像和多對(duì)比度圖像中進(jìn)行不同方法實(shí)驗(yàn)的比較Tab.1 Comparisons of different methods for reconstructing multi-echo images and multi-contrast images

由于篇幅限制，本研究只展示了2個(gè)回波，以及展示了PDW、T1W和定量T2*Map映射下的多對(duì)比度圖像（圖3、4）。綜上所述，ME-DCGAN在迭代次數(shù)p=3的條件下具有最佳的圖像細(xì)節(jié)恢復(fù)表現(xiàn)。

圖3 在多回波圖像上的5倍變分密度加速下的視覺(jué)結(jié)果Fig. 3 Results of 5×variable density acceleration of the multi-echo images.

圖4 在多參數(shù)圖像上的5倍變分密度加速下的視覺(jué)結(jié)果Fig. 4 Results of 5×variable density acceleration of the multi-parametirc maps.

雖然本研究的方法實(shí)現(xiàn)了具有競(jìng)爭(zhēng)力的重建性能，但仍然存在以下問(wèn)題。首先，組合損失函數(shù)的最優(yōu)權(quán)值難以確定。其次，由于物理模型假設(shè)“完美”圖像質(zhì)量，容易受到欠采樣偽影的影響。表2中的指標(biāo)均采用了與表1相同的P值計(jì)算方法（P＜0.05）。因此通過(guò)基于物理模型的最小二乘擬合并不是獲得多對(duì)比度圖像的最佳方法。我們可以利用神經(jīng)網(wǎng)絡(luò)來(lái)逼近最優(yōu)參數(shù)映射。最后，由于我們使用小的內(nèi)部數(shù)據(jù)集，因此需要在更多的數(shù)據(jù)集上驗(yàn)證方法的有效性。

表2 在重建的多回波圖像中進(jìn)行消融實(shí)驗(yàn)的比較Tab.2 Ablation experiments of the reconstructed multi-echo images using different methods

而在本研究對(duì)不同模塊和損失函數(shù)評(píng)估的消融實(shí)驗(yàn)中，本研究將通過(guò)實(shí)驗(yàn)結(jié)果與分析來(lái)評(píng)估關(guān)鍵組件的有效性。由于篇幅限制，消融實(shí)驗(yàn)將在迭代次數(shù)p=1并且5倍加速度下的二維變分密度采樣條件下比較。表2 展示了引入的模塊和損失函數(shù)對(duì)重建性能的影響。表2表明添加不同損失和不同結(jié)構(gòu)模塊均能有效的提高多回波圖像的重建質(zhì)量，并且從指標(biāo)上的差距可知MSFS和CSRB模塊對(duì)改善多回波圖像重建質(zhì)量具有最大的幫助。不僅如此，沒(méi)有任何額外網(wǎng)絡(luò)結(jié)構(gòu)和損失函數(shù)的實(shí)驗(yàn)結(jié)果也已經(jīng)超越了DC-UNet和Shaul等的方法，并且隨著相應(yīng)結(jié)構(gòu)和損失函數(shù)的增加，本研究的方法均能獲得更好的重建指標(biāo)與實(shí)驗(yàn)表現(xiàn)。

3 討論

近年來(lái)，卷積神經(jīng)網(wǎng)絡(luò)、生成對(duì)抗網(wǎng)絡(luò)等技術(shù)被應(yīng)用于磁共振重建領(lǐng)域，然而，目前深度學(xué)習(xí)的重建方法面臨許多問(wèn)題，比如輸入數(shù)據(jù)利用不充分［11,14-20,23-26］、網(wǎng)絡(luò)結(jié)構(gòu)特異性較差［27］、數(shù)據(jù)使用形式不符合臨床要求［11,13-27,29-32］、損失函數(shù)過(guò)于簡(jiǎn)單導(dǎo)致重建圖像的質(zhì)量受到影響［11-24,26,27,29-31］以及數(shù)據(jù)驅(qū)動(dòng)導(dǎo)致模型擬合能力差［29-32］等問(wèn)題。對(duì)此，本研究提出了一種基于物理模型的級(jí)聯(lián)生成對(duì)抗網(wǎng)絡(luò)的加速定量磁共振成像方法。

在該方法中，針對(duì)輸入數(shù)據(jù)只在圖像域進(jìn)行處理的問(wèn)題，本研究提出了頻域、圖像域、距離域多域聯(lián)合學(xué)習(xí)方法；針對(duì)網(wǎng)絡(luò)結(jié)構(gòu)特異性較差的問(wèn)題，本研究自適應(yīng)地優(yōu)化k 空間生成器和圖像生成器結(jié)構(gòu)來(lái)增強(qiáng)圖像特征信息以獲得高質(zhì)量的重建圖像；針對(duì)實(shí)時(shí)性和數(shù)據(jù)的不正確處理導(dǎo)致的實(shí)驗(yàn)與真實(shí)場(chǎng)景使用數(shù)據(jù)形式不一致問(wèn)題,本研究使用原始的多回波多線圈數(shù)據(jù)而不是將線圈組合后的數(shù)據(jù)去訓(xùn)練來(lái)加速多對(duì)比度多參數(shù)磁共振圖像重建；針對(duì)小數(shù)據(jù)集和沒(méi)有使用磁共振物理原理導(dǎo)致的模型擬合能力差的問(wèn)題，本研究提出了基于物理驅(qū)動(dòng)的深度學(xué)習(xí)重建方法，通過(guò)建立系統(tǒng)矩陣函數(shù)而不是直接通過(guò)模型端到端訓(xùn)練的方式來(lái)增加模型的泛化能力和提高模型性能?？偟亩?，本研究的貢獻(xiàn)如下：本研究使用多回波梯度回波脈沖序列（GRE）信號(hào)作為輸入，目的是重建多回波圖像并生成多對(duì)比度多參數(shù)圖像，這極大地?cái)U(kuò)展了多回波GRE 在加速磁共振成像上的理論研究基礎(chǔ)和應(yīng)用范圍。并且本研究提出了一種基于物理模型的級(jí)聯(lián)生成對(duì)抗網(wǎng)絡(luò)，該網(wǎng)絡(luò)利用多域信息聯(lián)合訓(xùn)練以及通過(guò)系統(tǒng)矩陣學(xué)習(xí)圖像重建所需的關(guān)鍵參數(shù)，并自適應(yīng)地優(yōu)化k 空間生成器和圖像生成器結(jié)構(gòu)來(lái)增強(qiáng)圖像特征信息以獲得高質(zhì)量的重建圖像。此外，本研究使用原始的多回波多線圈數(shù)據(jù)而不是將線圈組合后的數(shù)據(jù)去訓(xùn)練，以確保實(shí)驗(yàn)與真實(shí)場(chǎng)景使用數(shù)據(jù)形式一致。最后，本研究提出了一種組合損失函數(shù)，并分配適當(dāng)?shù)膿p失函數(shù)權(quán)重以提高圖像整體的重建質(zhì)量。

但是目前基于深度學(xué)習(xí)的重建方法仍然面臨相當(dāng)大的考驗(yàn)。例如，目前的深度學(xué)習(xí)方法缺少整體的優(yōu)化框架，分階段優(yōu)化會(huì)導(dǎo)致的數(shù)據(jù)真實(shí)性問(wèn)題。此外，醫(yī)學(xué)圖像的標(biāo)注也是一個(gè)嚴(yán)重制約深度學(xué)習(xí)在核磁共振重建中發(fā)展的一個(gè)重大因素，所以無(wú)監(jiān)督學(xué)習(xí)的研究和發(fā)展顯得格外重要。隨著技術(shù)的發(fā)展，可解釋性對(duì)于核磁共振重建的成功至關(guān)重要，而如何有效地利用深度學(xué)習(xí)技術(shù)來(lái)改善其可解釋性卻仍然是一個(gè)棘手的問(wèn)題，因此，有必要加強(qiáng)相關(guān)的研究。

雖然，近幾年深度學(xué)習(xí)在核磁共振重建方法的研究中一直都是熱點(diǎn)研究問(wèn)題，但臨床上使用最廣泛的還是傳統(tǒng)的并行成像方法。深度學(xué)習(xí)的重建方法在臨床應(yīng)用方面還有待進(jìn)一步研究，以實(shí)現(xiàn)深度學(xué)習(xí)重建方法在核磁共振掃描儀產(chǎn)品上的廣泛落地應(yīng)用。在未來(lái)，我們將充分考慮現(xiàn)有的問(wèn)題，并且根據(jù)其自身特性以及使用場(chǎng)景做了定制，以期望可以推動(dòng)臨床影像的發(fā)展。