基于深度学习的磁共振重建研究综述.docVIP

基于深度学习的磁共振重建研究综述

磁共振成像（MRI）作为一种非侵入式的多对比度成像技术，能够提供丰富的软组织解剖结构信息与功能代谢信息，在临床诊断、神经科学研究、肿瘤精准评估等领域具有不可替代的应用价值。然而，MRI固有的成像速度受限于奈奎斯特采样定律与梯度磁场物理性能，常规全采样扫描往往需要数分钟甚至数十分钟，不仅降低了临床检查通量，还容易引发患者运动伪影，对于儿童、幽闭恐惧症患者或急重症病例的成像限制尤为明显。为突破成像速度瓶颈，加速磁共振重建技术在过去三十年间持续发展，从早期的并行成像、压缩感知，到近年来基于深度学习的重建方法，重建精度与加速倍数不断提升，逐步推动快速MRI从研究走向临床落地。

深度学习磁共振重建的基础范式

基于深度学习的磁共振重建的核心逻辑是通过数据驱动的方式学习欠采样k空间数据与全采样重建图像之间的映射关系，替代传统方法中手动设计的正则化项，从而在高加速倍数下实现更优的图像保真度。根据网络输入的不同，主流范式可分为k空间域方法、图像域方法与域融合方法三类。

k空间域方法直接对欠采样的k空间数据进行补全或校正，利用k空间数据的共轭对称性与能量分布特性设计网络结构。早期代表性工作包括2016年提出的AUTOMAP，该方法首次采用全连接网络直接实现从欠采样k空间到重建图像的端到端映射，但全连接层的参数量过大，难以适配高分辨率成像场景。后续研究逐渐转向卷积神经网