ISDU-QSMNet：使用不共享权重的迭代特定去噪技术，以提升QSM重建质量

《NMR in Biomedicine》：ISDU-QSMNet: Iteration Specific Denoising With Unshared Weights for Improved QSM Reconstruction

　　定量磁化率映射（QSM）通过求解逆问题从MR相位测量获得组织磁化率。本文提出ISDU-QSMNet模型，引入迭代特定去噪和未共享权重机制，有效解决QSM重建中的逆问题。实验对比了LPCNN、SpiNet-QSM、QSMnet等方法，在94个体积的两种训练场景下，ISDU-QSMNet将高频误差范数（HFEN）降低3.5%，并保持对异构采集数据良好的泛化能力。

　　

摘要

定量磁化率成像（QSM）通过解决逆问题，从磁共振（MR）相位测量中估计组织的磁化率。本研究引入了一种基于迭代的去噪方法，该方法使用不共享的权重进行QSM重建，称为ISDU-QSMNet，这是一个端到端的基于模型的深度学习框架，旨在有效解决从局部场数据重建QSM的逆问题。ISDU-QSMNet对现有的基于模型的深度学习方法进行了重大改进，它在训练过程中引入了不共享的去噪权重和随机子集采样，从而使得模型更加强大、稳健且训练效率更高。该方法在使用完整训练数据时提高了性能，减少了总体训练时间，并能有效处理不同的数据集。通过在对94个具有不同采集参数的成像体积进行重建（在两种情况下：使用完整训练数据和有限训练数据），将所提出的方法与其他基于模型的深度学习方法（如LPCNN和基于Schatten p-范数的正则化器驱动的QSM重建方法SpiNet-QSM）以及纯深度学习方法（如QSMnet、DeepQSM和xQSM）进行了对比评估。在完整训练数据的情况下，所提出的方法在基于模型和纯深度学习两类方法中均表现出显著的优势，在60个数据体积中高频误差范数（HFEN）降低了多达3.5%。在有限训练数据的情况下，所提出的方法与最先进的基于模型的深度学习方法的性能相当。此外，该方法还展示了强大的泛化能力，能够有效处理具有不同采集参数的数据，并在ROI分析中始终表现良好。

利益冲突

作者声明没有利益冲突。