近日，上海交通大学生物医学工程/磁共振诊疗高端技术国家工程研究中心魏红江教授团队的研究工作"Highly Accelerated MRI via Implicit Neural Representation Guided Posterior Sampling of Diffusion Models"发表于国际期刊Medical Imaging Analysis（IF=10.7）[1]。该项研究提出了一种基于隐式神经表达（Implicit Neural Representation, INR）的扩散模型采样算法，显著提高了超高加速倍数下MRI图像的重建质量。研究创新性地将INR方法引入扩散模型后验采样过程中，在重建的准确性、泛化性和稳定性方面实现了显著改进。这一框架不仅为高效快速成像提供了新的技术支持，也为解决其他医学图像中的逆问题提供了一种通用方法。

研究背景

     传统快速MRI重建方法以及无监督式的深度学习方法通过结合常规的人工先验信息作为正则化约束，来去除加速重建过程中的噪声和伪影，但受限于有限的先验信息量，这类方法在较高加速倍数（五倍及以上）下的性能受限。有监督深度学习方法通过大量训练数据对，在较高加速倍数下显著提高了重建性能，但其重建效果高度依赖于训练数据的采集参数和加速条件，导致泛化能力不足。近年来，扩散模型作为一类强大的生成式模型，具有良好的泛化性和生成能力，在医学图像重建领域取得了卓越的成果。然而，现有的扩散模型采样方法由于缺乏有效的数据一致性，降低了其重建结果的准确性和稳定性。

在该研究中，作者提出了一种基于隐式神经表达的扩散模型采样方法，将扩散模型的先验信息与MRI的物理模型相结合，实现了超高加速下高质量MRI重建（图1）。该方法充分利用预训练扩散模型中包含的高质量MRI图像分布信息作为先验，不依赖于大量的训练数据对，有效地克服了深度网络泛化性能不足的问题。同时，在采样过程中多次地将扩散先验引入INR模块来确保扩散模型的数据一致性，进一步提高了重建的准确性和稳定性。

图1 基于隐式神经表达的扩散模型采样算法示意图。（a）扩散模型的整体采样流程；（b）基于隐式神经表达的数据一致性操作，主要分为Stage 1扩散先验嵌入和Stage 2数据一致性矫正两个阶段。

研究方法

     研究采用了公开的fastMRI数据集（膝盖和脑部的全采样数据）以及uMR Jupiter 5T扫描设备采集的膝盖数据。通过回顾性方法生成了不同加速倍数（R=8、12、18）和采样模式下的欠采样k空间数据。研究者将传统方法（P-LORAKS）、无监督深度学习方法（IMJENSE）、有监督深度学习方法（MoDL、ReconFormer），以及基于扩散模型的采样算法（Score-MRI、DPS）作为对比，采用峰值信噪比（PSNR）和结构相似指数（SSIM）对重建图像的质量进行定量评估。

研究成果

     图2和图3分别比较了在不同加速倍数和欠采样模式下的单通道和多通道重建结果。从视觉效果上看，传统重建方法P-LORAKS以及无监督式方法IMJENSE由于有限的人工先验信息，在超高加速的MRI重建中，无法恢复出高质量的图像。有监督式重建方法和基于扩散模型的重建方法显著提高了重建图像的质量。对比于其他两种扩散模型采样算法，该研究所提出的DiffINR在细节恢复和定量指标方面均表现出更高的准确性和优越性。

图2 不同方法在八倍和十二倍加速下的fastMRI单通道重建结果。每个图像右下方报告了定量评估指标，最优的指标用黄色加粗字体表示。红色箭头指向Score-MRI和DPS重建结果中的伪影。

图3 不同方法在fastMRI多通道膝盖图像上的重建结果。每个图像右下方报告了定量评估指标，最优的指标用黄色加粗字体表示。

     该研究进一步探究了所提出方法在不同采集参数以及不同组织上的重建性能。由于研究所采用的与训练扩散模型是基于fastMRI膝盖数据集训练的，该研究进一步在5T采集的膝盖数据以及fastMRI脑部数据上评估了所提出方法的泛化性能。如图4所示，有监督式方法在训练集分布外的数据上的重建表现会有一个明显的下降，尤其是在图4（b）中，而DiffINR在分布外的重建任务中具有更高的提升效果。

图4 不同方法在六倍加速下，T1加权的膝盖图像以及fastMRI脑部图像的重建结果。每个图像右下方报告了定量评估指标，最优的指标用黄色加粗字体表示。

     此外，该研究还通过计算多次并行重建结果的方差，评估三种扩散采样方法重建结果的不确定性。扩散模型作为一类生成式模型，其初始化和整个生成过中都涉及到大量随机噪声的引入，导致生成的结果具有较大的不确定性，削弱了其结果在临床应用中的可靠性。图5展示了三种采样方法在不同加速倍数下重建结果的不确定性，可以发现随着加速倍数的上升，重建结果的不确定性也大幅增加。相比之下，DiffINR在高度欠采样条件下仍保持最低的不确定性，为其在临床应用中的可信性提供了支持。

图5 不同扩散模型采样方法在（a）两倍加速和（b）六倍加速下的不确定性和重建结果。

研究展望

     综上所述，该研究所提出的基于隐式神经表达的扩散模型后验采样算法在超高速MRI重建中展现了巨大潜力，有助于进一步加速图像采集，实现高效成像。同时，该框架不局限于特定的扩散模型结构或重建任务，能够结合医学成像中的物理模型，为解决广泛的医学成像逆问题提供了新的解决方案。

论文信息

[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.

来源| 磁共振诊疗高端技术国家工程研究中心