DVR-NeMF：基于神经磁场的实时4D MRI动态容积重建新方法

《Cell Reports Methods》：Real-time 4D MRI reconstruction using DVR-NeMF, a framework for dynamic volumetric reconstruction

　　本研究针对动态磁共振成像（MRI）存在采集速度慢、时空分辨率受限的瓶颈问题，开发了DVR-NeMF（动态容积重建神经磁场）框架。该技术通过将时空先验嵌入隐式表示，实现了从同步动态2D切片和生理信号到高保真实时4D（3D+时间）MRI的重建。在心血管体模、心脏生物模拟器和活体心脏上的验证表明，DVR-NeMF在重建精度和计算效率上均优于自编码器和生成对抗网络基线，为MRI在临床实时功能评估中的应用提供了新范式。

　　

磁共振成像（MRI）凭借其卓越的软组织对比度和无电离辐射的优势，已成为解剖成像和图像引导干预中的重要工具。然而，当面对跳动的心脏这类动态场景时，传统MRI的慢速采集特性使其难以捕捉高维度的、时间分辨的影像，即4D（三维空间+时间）成像。这严重限制了MRI在心脏功能实时评估等动态临床场景中的应用。尽管通过k空间欠采样、压缩感知等技术能够在一定程度上加速成像，但这些方法多局限于二维成像，难以满足动态应用对全时空细节的需求。深度学习中的自编码器（AE）和生成对抗网络（GAN）等方法虽被探索用于改善图像质量，但仍存在离线处理、计算成本高或精细重建能力有限等问题，无法满足临床实时应用的要求。

为了解决这些挑战，上海交通大学等机构的研究团队在《Cell Reports Methods》上发表了他们的最新成果。他们开发了一个名为DVR-NeMF（动态容积重建神经磁场）的深度学习框架，旨在实现动态成像中的实时4D MRI重建。该框架的核心思想是模拟MRI的成像原理，对扫描空间进行隐式的4D建模。它利用实时的动态2D切片（空间输入）和同步的生理信号（如心电信号，作为时间输入）作为条件，将其嵌入到一个神经磁场上。通过空间编码器和时间编码器分别提取特征，再经由解码器融合这些时空特征，最终通过一个创新的场渲染（Field Rendering）模块重建出具有时间一致性的高保真3D容积图像。为了进一步提升推理速度，研究团队还设计了特征级知识蒸馏模块，将复杂的教师模型压缩为轻量级的学生模型，从而实现近乎实时的重建速度。

为了开展此项研究，研究人员首先开发了一系列动态MRI序列来获取训练和评估数据，包括在线动态2D MRI、回顾性动态2D MRI、带生理信号校正的回顾性动态2D MRI以及带生理信号校正的回顾性动态3D MRI。这些序列在成像速度和质量上各有侧重，共同构成了一个系统化且可扩展的MRI重建系统。研究团队在三个层面进行了严谨的实验验证：心血管体模实验、动态心脏生物模拟器（使用离体猪心）实验以及活体人体心脏实验。此外，还利用公开的自动心脏诊断挑战（ACDC）数据集进行了外部验证。所有私有数据和代码均已公开，以促进相关研究。

本研究主要依托以下几个关键技术方法：首先，开发了多种动态MRI序列用于数据采集；其次，提出了DVR-NeMF核心框架，其核心是神经磁场建模和场渲染技术，能够从2D切片和ECG信号中重建4D MRI；此外，采用了自适应采样和并行前向训练策略以提升训练效率和时序建模能力；最后，通过特征级知识蒸馏技术实现了模型加速，满足实时性要求。实验涉及的样本包括自定义的心血管体模、来自商业屠宰场的离体猪心构建的生物模拟器，以及招募的20名人类志愿者（包含健康和有轻微心律失常的个体）。

空间性能评估

DVR-NeMF在空间重建保真度上表现出显著优势。在心血管体模数据上，它能准确重建前景（如模拟血管）与背景的对比差异，清晰勾勒出类似薄壁冠状动脉的结构，甚至能可视化管腔内的导丝，其定量指标（如MAE, PSNR, SSIM）远优于AE和GAN模型。

在动态心脏生物模拟器和活体人体心脏数据上，DVR-NeMF同样能精确重建复杂的组织边界和解剖细节，捕捉到细微的被动运动或心肌运动，而AE和GAN模型的结果则出现模糊、对比度差或结构边界不清的问题。特别是在人类心脏成像中，DVR-NeMF成功捕获了随时间变化的心肌运动。

时间性能评估

DVR-NeMF在时间建模方面同样出色。通过将重建的MRI图像与配对的超声（US）图像进行跨模态比较，研究人员计算了左心室（LV）功能参数，包括舒张末期容积（EDV）、收缩末期容积（ESV）、射血分数（EF）和整体纵向应变（GLS）。结果表明，基于DVR-NeMF重建结果计算的参数与US测量结果无统计学显著差异，且差异均在临床可接受范围内。通过追踪20个心脏时相中左心室心肌纵向投影长度和短轴直径的变化，发现MRI与US的运动轨迹高度匹配，证明了DVR-NeMF在保留生理相关动态变化和时间一致性方面的能力。

Out-of-Distribution (OOD) 数据性能评估

尽管DVR-NeMF本质上是针对特定个体进行训练的，但研究团队仍使用ACDC数据集（其数据结构为2D多切片，而非传统3D容积）进行了OOD条件下的鲁棒性测试。结果显示，DVR-NeMF在空间建模上依然表现出精细的能力，能准确重建复杂的组织结构并恢复组织对比度。但由于多切片数据缺乏严格的空间约束，其时间重建性能相比3D CINE MRI数据有所下降。

消融研究与亚组分析

消融实验验证了DVR-NeMF中各个设计组件的重要性。移除场渲染（w/o FR）或位置编码（w/o PE）会导致性能急剧下降。移除并行训练策略（w/o PT）或仅使用均方误差损失（only MSE loss）也会导致精度显著降低。使用单视图输入（Single view）而非正交视图输入会引起性能轻微下降。而移除高斯噪声（w/o GN）和自适应采样（w/o AS）虽然定量结果与完整模型相近，但训练过程中的不稳定性和收敛速度变慢。通过知识蒸馏得到的学生模型，在牺牲少量图像质量的前提下，大幅提升了推理速度，对于64x64x64的容积，重建一帧仅需0.04秒，满足了实时性要求。亚组分析还显示，DVR-NeMF在不同心率范围的受试者中均能保持稳定的重建性能。

综上所述，这项研究成功开发并验证了DVR-NeMF这一创新的实时4D MRI重建框架。该框架通过将神经磁场概念引入MRI重建领域，有效克服了传统深度学习方法在动态容积重建中面临的挑战，如棋盘伪影、细节丢失和时间不一致性。DVR-NeMF不仅在多种实验设置下展现了超越基线方法的精度和效率，而且通过与超声金标准的对比，证实了其在临床心脏功能评估中的可靠性和实用性。尽管该研究目前主要针对心脏等具有稳态、周期性运动的目标，且模型为个体特异性，在泛化性和处理非平稳动态目标方面存在局限，但这项工作无疑为扩展MRI在动态、高维成像中的应用提供了有前景的新范式，向着更广泛的临床实时功能评估迈出了坚实的一步。未来的工作将集中于探索处理不规则运动的目标、提升模型的泛化能力以及开发自动化功能参数提取算法等方面。