近日，厦门大学电子科学系/福建省等离子体与磁共振重点实验室屈小波教授团队在生物医学和健康信息学顶级期刊《IEEE Journal of Biomedical and Health Informatics》上发表论文“A Faithful Deep Sensitivity Estimation for Accelerated Magnetic Resonance Imaging” (Zi Wang#, Haoming Fang#, Chen Qian, Boxuan Shi, Lijun Bao, Liuhong Zhu, Jianjun Zhou, Wenping Wei, Jianzhong Lin, Di Guo, Xiaobo Qu*, IEEE Journal of Biomedical and Health Informatics, DOI: 10.1109/JBHI.2024.3360128, arXiv 2210.12723, 2024）。该工作提出了一种基于优化模型展开的联合线圈灵敏度估计与图像重建的深度学习方法。该方法在重建过程中，逐步提供高保真的具有高频信息的灵敏度矩阵，以进一步校正重建图像，实现了高加速倍数下的毫秒级临床适用成像，患者数据适应性好，医生盲评图像质量佳。此外，还通过中间结果可视化以理解网络行为，清晰揭示了灵敏度矩阵和重建图像相互校正的过程。
磁共振成像是临床诊断的重要工具，但数据采集时间较长。尽管深度学习在快速成像中以高质量重建图像和重建速度证明了其优越的性能，但大多数方法仍然依赖于预先估计的灵敏度矩阵，线圈灵敏度的估计误差会传导至图像重建环节，严重降低图像的重建质量。因此，可靠的线圈灵敏度估计对于磁共振图像重建至关重要。
图1. 高保真线圈灵敏度学习高加速磁共振成像。
该工作所提的联合线圈灵敏度估计和磁共振图像重建深度学习网络，进一步利用k空间数据提高灵敏度矩阵估计精度并减缓误差在重建环节的传播，通过联合架构在网络中交替迭代校准灵敏度矩阵与更新图像，同时实现了线圈灵敏度的可靠估计和图像的高质量重建。在实测商用多通道大脑数据上的客观指标和放射科医生的盲评打分表明，在高加速成像（一维欠采6~8
、二维欠采8~10
）时，该方法在视觉和定量结果上都实现了比前沿方法更好的图像伪影抑制和细节保留，并对患者数据（病灶更清晰）和校准信号数量（适用无校准重建）具有良好的鲁棒性，3位医生盲评图像质量迈入优秀水平（5分制中的4分）。
该项工作在屈小波教授指导下完成，其领导的计算感知实验室博士生王孜、硕士方浩铭为共同第一作者。实验室博士生钱晨、硕士生施博轩、厦门大学包立君副教授、复旦中山厦门医院朱柳红高工和周建军主任/执行院长、厦大附一医院魏文苹主任、厦大中山医院林建忠主任、厦门理工学院郭迪教授合作完成。屈小波教授担任通讯作者，其领导的计算感知实验室（http://csrc.xmu.edu.cn）主要从事计算磁共振、医学影像、人工智能、最优化和云计算等研究方向，受到国家优青等重要科研人才项目支持。
这项工作得到国家自然科学基金（62122064, 62331021, 62371410和62071405）、福建省自然科学基金（2023J02005和2021J011184）、厦门大学校长基金（20720220063）、厦门大学南强拔尖人才计划、国家留学基金（202306310177）的资助。
该工作共同第一作者王孜在读博期间秉承服务健康中国、突破行业瓶颈、完成高水平科研的精神，已在计算磁共振领域以第一作者发表IEEE医学成像/人工智能权威期刊论文3篇，合作12篇权威期刊论文。
论文链接: http://dx.doi.org/10.1109/JBHI.2024.3360128
厦门大学 计算感知实验室：https://csrc.xmu.edu.cn/index_cn