PixelINR：基于隐式神经表示的、针对特定扫描任务的自我监督式MRI重建方法

《Biomedical Signal Processing and Control》：PixelINR: Scan-specific self-supervised MRI reconstruction based on implicit neural representations

　　本文提出PixelINR，一种基于隐式神经表示（INR）的扫描特定、自监督MRI加速重建方法，无需外部训练集，通过混合正则化策略减少伪影并提升图像质量。实验表明，PixelINR在多个数据集上优于现有方法，尤其在抑制伪影和保持解剖结构方面表现突出。

　　在医学影像领域，磁共振成像（MRI）作为一种非侵入性的诊断技术，具有重要的临床价值。它能够清晰地显示人体内部的解剖结构，为多种疾病的诊断提供重要信息。然而，MRI的长时间采集过程限制了其在实际应用中的效率，导致吞吐量较低、患者不适、运动伪影以及高检查成本等问题。为了应对这些挑战，研究人员一直在探索如何缩短MRI的采集时间，同时保持图像质量。近年来，深度学习技术在MRI重建中取得了显著进展，特别是通过引入神经网络算法，能够有效提升图像质量并减少扫描时间。然而，传统的监督学习方法通常依赖于大规模的训练数据集，这可能会导致过拟合和图像中的虚假特征，尤其是在训练数据与测试数据分布不一致的情况下。

为了克服这些问题，研究团队提出了一种新的方法——PixelINR，这是一种基于隐式神经表示（INR）的扫描特定（scan-specific）自监督（self-supervised）重建框架。该方法仅需一个欠采样MRI扫描作为训练数据，无需依赖外部的训练数据库，从而降低了过拟合的风险，并提高了对不同采集设置的泛化能力。为了进一步提高图像质量，PixelINR引入了图像域中的抗模糊正则化项和频率域中的补全损失，引导模型恢复清晰的结构和合理的k空间内容。实验结果表明，PixelINR在重建精度和鲁棒性方面均优于现有的扫描特定方法。该方法的实现已在GitHub上公开，供研究者使用和验证。

MRI的采集过程通常涉及将信号编码为k空间中的频率和相位信息。由于采集过程本身具有时间成本，研究者通常采用欠采样技术，通过跳过k空间中的某些行来减少采集时间。然而，这种欠采样通常会导致图像域中的混叠伪影，这些伪影表现为信号突变处的结构化扭曲。为了应对这一问题，研究团队采用了一种自监督的重建方法，通过将欠采样k空间数据分为可见和不可见的两个子集，利用频率域和图像域的损失函数，确保模型在重建过程中保持与原始测量数据的一致性。此外，研究团队还引入了反模糊正则化项，以提升图像的边缘清晰度，减少伪影，同时引入了总变差（TV）正则化项，以提高图像的平滑度和整体清晰度。

在实验设置中，研究团队使用了两种主要的MRI数据集：fastMRI膝关节数据集和IXI脑部数据集。对于fastMRI数据集，研究者采用了3T和1.5T的临床MRI系统，采集了2D涡轮自旋回波序列的原始数据。这些数据包括了1,398个体积MRI扫描，涵盖冠状位质子密度加权（PD）图像，包括有脂肪抑制（PDFS）和无脂肪抑制的图像。对于IXI数据集，研究团队利用了多种临床MRI系统采集的原始数据，包括1.5T和3T的扫描仪，涵盖了PD、T1加权、T2加权和磁共振血管造影（MRA）等不同序列。通过这些数据集，研究团队验证了PixelINR在不同解剖区域和采集条件下的表现。

在方法实现方面，研究团队采用了Python 3.9和PyTorch 2.4深度学习框架，所有实验均在运行Ubuntu 22.04的操作系统下进行，配备了NVIDIA RTX 4090 GPU，具有24GB内存。INR网络通过4000次迭代进行训练，采用ADAM优化器，学习率初始设置为1e-4，并在300次迭代后进行0.5倍衰减。此外，研究团队通过调整反模糊正则化项（η）和TV正则化项（λ）的权重，优化了模型的性能。最终，研究团队选择了λ=1和η=0.001作为最佳参数设置，以确保图像质量与速度之间的平衡。

实验结果表明，PixelINR在多个指标上优于其他方法。例如，在fastMRI膝关节数据集上，PixelINR的SSIM为0.8361，PSNR为31.9598，NMSE为0.0191，相较于零填充图像（zero-filled）分别提升了约6 dB和0.15。在IXI-T2数据集上，PixelINR的SSIM为0.9591，PSNR为36.6505，NMSE为0.0103，相较于零填充图像提升了约12 dB和0.4。此外，PixelINR在多通道（multi-coil）MRI重建中也表现出色，其SSIM为0.9390，PSNR为35.2026，NMSE为0.0105，相较于其他方法（如CS、ConvDecoder、SCAMPI）均具有优势。

通过进一步的消融研究，研究团队验证了不同损失项对模型性能的影响。结果表明，频率域一致性损失、图像域一致性损失、TV正则化项和反模糊正则化项在提升图像质量方面均起到了重要作用。此外，频率域补全损失在重建k空间中缺失区域时表现尤为突出。实验还分析了超参数λ和η对图像质量的影响，结果显示，适度的λ和η值能够获得最佳的SSIM表现，而过大的值可能导致图像过于平滑，损失细节，或引入更多的伪影。

研究团队在讨论部分强调了PixelINR的临床意义。通过实现高加速率下的高质量MRI重建，PixelINR能够有效减少扫描时间，提高患者舒适度，并增加扫描仪的吞吐量。这些优势可能有助于提升诊断流程的效率，优化医疗资源的使用。然而，研究团队也指出了该方法的局限性，包括对更高加速率的适应性、不同采集轨迹的适用性、不同解剖区域的泛化能力，以及多通道采集的适应性。未来的工作将探索如何将PixelINR扩展到多通道MRI重建，实现实时重建，并与临床工作流程相结合。此外，研究团队还计划进一步提升模型的可解释性，以确保其在临床应用中的可靠性。

总结来看，PixelINR是一种基于隐式神经表示的自监督MRI重建方法，具有扫描特定性，能够有效减少过拟合和虚假特征，提高图像质量。该方法通过引入多种正则化项，包括反模糊正则化和频率域补全损失，能够提升图像的清晰度和结构一致性。实验结果表明，PixelINR在多个数据集上均表现出色，能够提供比现有方法更高质量的MRI图像。尽管该方法目前主要针对单通道MRI，但未来的工作将探索其在多通道MRI中的应用，以进一步提升其在临床中的适用性。