近日，意昂4平台生物醫學工程/磁共振診療高端技術國家工程研究中心魏紅江教授團隊的研究工作"Highly Accelerated MRI via Implicit Neural Representation Guided Posterior Sampling of Diffusion Models"發表於國際期刊Medical Imaging Analysis（IF=10.7）[1]👮🏻。該項研究提出了一種基於隱式神經表達（Implicit Neural Representation, INR）的擴散模型采樣算法👈，顯著提高了超高加速倍數下MRI圖像的重建質量。研究創新性地將INR方法引入擴散模型後驗采樣過程中，在重建的準確性、泛化性和穩定性方面實現了顯著改進🧎🏻‍➡️。這一框架不僅為高效快速成像提供了新的技術支持，也為解決其他醫學圖像中的逆問題提供了一種通用方法👩🏻‍🦼‍➡️。

研究背景

     傳統快速MRI重建方法以及無監督式的深度學習方法通過結合常規的人工先驗信息作為正則化約束🚓，來去除加速重建過程中的噪聲和偽影⟹，但受限於有限的先驗信息量🤜🏼，這類方法在較高加速倍數（五倍及以上）下的性能受限。有監督深度學習方法通過大量訓練數據對，在較高加速倍數下顯著提高了重建性能，但其重建效果高度依賴於訓練數據的采集參數和加速條件，導致泛化能力不足。近年來，擴散模型作為一類強大的生成式模型🏂🏿，具有良好的泛化性和生成能力，在醫學圖像重建領域取得了卓越的成果。然而，現有的擴散模型采樣方法由於缺乏有效的數據一致性🖖🏻，降低了其重建結果的準確性和穩定性。

在該研究中👂🏻，作者提出了一種基於隱式神經表達的擴散模型采樣方法，將擴散模型的先驗信息與MRI的物理模型相結合🤳🏼，實現了超高加速下高質量MRI重建（圖1）📜。該方法充分利用預訓練擴散模型中包含的高質量MRI圖像分布信息作為先驗，不依賴於大量的訓練數據對，有效地克服了深度網絡泛化性能不足的問題🎈。同時，在采樣過程中多次地將擴散先驗引入INR模塊來確保擴散模型的數據一致性🧼，進一步提高了重建的準確性和穩定性。

圖1 基於隱式神經表達的擴散模型采樣算法示意圖。（a）擴散模型的整體采樣流程；（b）基於隱式神經表達的數據一致性操作💆📠，主要分為Stage 1擴散先驗嵌入和Stage 2數據一致性矯正兩個階段。

研究方法

     研究采用了公開的fastMRI數據集（膝蓋和腦部的全采樣數據）以及uMR Jupiter 5T掃描設備采集的膝蓋數據。通過回顧性方法生成了不同加速倍數（R=8👩‍👦、12🔃🔌、18）和采樣模式下的欠采樣k空間數據🚶🏻‍♂️。研究者將傳統方法（P-LORAKS）、無監督深度學習方法（IMJENSE）、有監督深度學習方法（MoDL🆎、ReconFormer），以及基於擴散模型的采樣算法（Score-MRI、DPS）作為對比🐦‍⬛，采用峰值信噪比（PSNR）和結構相似指數（SSIM）對重建圖像的質量進行定量評估。

研究成果

     圖2和圖3分別比較了在不同加速倍數和欠采樣模式下的單通道和多通道重建結果。從視覺效果上看，傳統重建方法P-LORAKS以及無監督式方法IMJENSE由於有限的人工先驗信息，在超高加速的MRI重建中，無法恢復出高質量的圖像。有監督式重建方法和基於擴散模型的重建方法顯著提高了重建圖像的質量。對比於其他兩種擴散模型采樣算法，該研究所提出的DiffINR在細節恢復和定量指標方面均表現出更高的準確性和優越性。

圖2 不同方法在八倍和十二倍加速下的fastMRI單通道重建結果。每個圖像右下方報告了定量評估指標🫷🏽，最優的指標用黃色加粗字體表示。紅色箭頭指向Score-MRI和DPS重建結果中的偽影。

圖3 不同方法在fastMRI多通道膝蓋圖像上的重建結果🫶🏿👩‍👩‍👧‍👦。每個圖像右下方報告了定量評估指標🧑‍🧑‍🧒，最優的指標用黃色加粗字體表示🐕‍🦺。

     該研究進一步探究了所提出方法在不同采集參數以及不同組織上的重建性能🦸🏼‍♀️🧡。由於研究所采用的與訓練擴散模型是基於fastMRI膝蓋數據集訓練的👩‍🔧，該研究進一步在5T采集的膝蓋數據以及fastMRI腦部數據上評估了所提出方法的泛化性能。如圖4所示🧑🏿‍💻🎴，有監督式方法在訓練集分布外的數據上的重建表現會有一個明顯的下降🏌🏼‍♀️，尤其是在圖4（b）中，而DiffINR在分布外的重建任務中具有更高的提升效果🧗🏻。

圖4 不同方法在六倍加速下，T1加權的膝蓋圖像以及fastMRI腦部圖像的重建結果。每個圖像右下方報告了定量評估指標🚶🏻‍♀️‍➡️，最優的指標用黃色加粗字體表示。

     此外😦，該研究還通過計算多次並行重建結果的方差，評估三種擴散采樣方法重建結果的不確定性。擴散模型作為一類生成式模型，其初始化和整個生成過中都涉及到大量隨機噪聲的引入🅱️，導致生成的結果具有較大的不確定性🍗，削弱了其結果在臨床應用中的可靠性。圖5展示了三種采樣方法在不同加速倍數下重建結果的不確定性™️，可以發現隨著加速倍數的上升🤷🏻，重建結果的不確定性也大幅增加。相比之下，DiffINR在高度欠采樣條件下仍保持最低的不確定性🏓，為其在臨床應用中的可信性提供了支持。

圖5 不同擴散模型采樣方法在（a）兩倍加速和（b）六倍加速下的不確定性和重建結果🏡。

研究展望

     綜上所述🧗‍♀️，該研究所提出的基於隱式神經表達的擴散模型後驗采樣算法在超高速MRI重建中展現了巨大潛力😢，有助於進一步加速圖像采集，實現高效成像。同時，該框架不局限於特定的擴散模型結構或重建任務👨🏻‍🍳，能夠結合醫學成像中的物理模型🎳，為解決廣泛的醫學成像逆問題提供了新的解決方案。

論文信息

[1] Chu J, Du C, Lin X, Zhang X, Wang L, Zhang Y, Wei H: Highly Accelerated MRI via Implicit Neural Representation Guided Posterior Sampling of Diffusion Models. Medical Image Analysis. 2024. doi: https://doi.org/10.1016/j.media.2024.103398.

來源| 磁共振診療高端技術國家工程研究中心