利用非笛卡尔采集方法和基于模型的隐式神经表征重建技术实现的高速全脑T2成像

　　提出基于T2制备金角度堆栈星形序列与隐式神经网络模型驱动的快速重建技术（INSTA），通过设计三维低采样轨迹和物理信号演化模型，结合多分辨率哈希编码神经网络，实现全脑T2映射仅需70秒且20倍加速下误差低于1%。在 phantom 和 human 实验中验证了该方法与参考方法（MESE、NUFFT）的T2值定量一致性（R2>0.99），且具有优异的扫描间重复性（CV=2.5%）和扫描内稳定性（CV=0.45%）。

　　
### 基于隐式神经表示的快速全脑T₂映射技术解读

#### 1. 研究背景与意义
T₂磁共振成像（MRI）是评估组织水分含量和病理状态的重要工具，广泛应用于神经系统疾病（如多发性硬化症、阿尔茨海默病）、肿瘤和心肌病变的诊断。传统T₂定量方法依赖多回波自旋回波（MESE）序列，但扫描时间长（可达数十分钟）、信噪比（SNR）低，且难以在活体中实现高分辨率全脑扫描。为此，本研究提出一种融合新型序列设计与深度学习的加速T₂映射技术（INSTA），旨在解决扫描时间与精度之间的矛盾。

#### 2. 技术核心与创新点
**2.1 序列设计与物理模型结合**
研究团队开发了基于“T₂准备-堆叠星形轨迹（SoS）”的脉冲序列。其核心思路是通过**T₂准备模块**在激发脉冲前插入多组不同时长的T₂衰减编码，实现信号强度的空间分异；随后采用**黄金角旋转的径向k空间采样**，在快速采集数据的同时避免传统 Cartesian序列对B₀不均匀性的敏感依赖。这一设计使得在低采样率下仍能获得高保真度的k空间数据。

**2.2 隐式神经网络（INR）的逆向建模**
传统MRI重建依赖压缩感知或非均匀快速傅里叶变换（NUFFT），但存在模型与实际信号动力学脱节的问题。本技术创新性地将**物理信号演化模型**嵌入神经网络架构，通过隐式神经表示（INR）直接从 undersampled k空间数据反推T₂参数。具体来说：
- **多分辨率哈希编码**：将二维坐标映射到高维稀疏空间，显著提升网络对高频细节的捕捉能力，同时降低GPU内存消耗。
- **联合优化策略**：同时优化编码参数与神经网络权重，通过数据一致性（DC）损失和总变差（TV）正则化平衡重建精度与计算效率。
- **物理先验驱动**：信号模型考虑了T₁弛豫和纵向磁化不完全恢复的影响，解决了传统方法中因信号采集时序错位导致的误差累积问题。

**2.3 双向加速机制**
该技术通过**空间域（k_z采样模式）**和**时间域（多TE_eff联合重建）**的双重 undersampling 实现加速：
- **空间加速**：采用中心向外（center-out）的黄金角旋转堆叠星形轨迹，减少边缘伪影干扰，同时降低对线圈敏感度的依赖。
- **时间加速**：在保证T₂衰减特性（TE_eff）的前提下，通过动态调整各TE_eff对应的采样强度，实现20倍时间压缩（扫描时间从17.9分钟缩短至70秒）。

#### 3. 实验验证与性能评估
**3.1 靶向 phantom 实验验证**
通过镍氯铵凝胶 phantom 模拟不同T₂值组织，结果显示：
- **INSTA重建结果**与参考MESE序列的T₂拟合值线性回归斜率达0.999，R²＞0.99，表明重建精度接近全采样水平。
- **噪声抑制效果**：INSTA在低信噪比（ undersampled条件下）通过物理模型约束有效抑制了残余噪声，尤其在中脑灰质等低对比度区域表现突出。

**3.2 人类实验对比分析**
对8名健康志愿者进行多组扫描：
- **全采样对比**：与NUFFT重建结果相比，INSTA的NRMSE（归一化均方根误差）在R=20时仅增加0.66%，且Bland-Altman分析显示T₂值偏差<1%，表明两种方法高度一致。
- **加速度泛化性**：在5-40倍加速范围内，白质和灰质T₂的误差波动范围分别为7.3-14.2ms和10.5-11.9ms，误差率控制在12%以内。
- **组织特异性表现**：在脑白质（平均T₂=73.3ms）和灰质（平均T₂=93.7ms）中，INSTA的重建稳定性优于传统压缩感知方法，且与MESE参考值的平均偏差仅1.3%。

**3.3 系统性误差来源分析**
实验发现以下误差来源及改进方向：
- **B₁校准不足**：直接使用DREAM序列的B₁场强分布进行校正，可能引入10%-15%的局部信号衰减误差。未来需结合线圈敏感度场重建技术优化。
- **T₁-T₂耦合偏差**：隐式神经网络倾向于利用T₁与T₂的统计相关性进行参数拟合，可能导致白质T₂低估（平均误差-2.1ms）。引入T₁场强分布校正模块可缓解此问题。
- **运动伪影干扰**：径向采样虽降低运动敏感性，但在剧烈头动（如儿童或老年患者）场景下仍需结合运动监测模块。

#### 4. 技术优势与临床应用前景
**4.1 核心优势**
- **扫描效率**：在3T场强下，全脑扫描时间压缩至70秒（20倍加速），较传统MESE序列缩短83%。
- **信噪比提升**：通过隐式神经网络的频域增强（INR）模块，在R=20时SNR仍保持＞15dB，满足定量诊断需求（临床标准为SNR＞8dB）。
- **多参数联合优化**：同步生成T₂、T₁和线圈敏感度图，减少多序列扫描的等待时间。

**4.2 应用场景**
- **脑疾病早期筛查**：快速获取全脑T₂异质性图，辅助阿尔茨海默病早期诊断（病理状态下灰质T₂平均降低5-8ms）。
- **肿瘤动态监测**：结合T₂短/长时对比，可区分水肿（T₂=80-100ms）与坏死（T<sub>2=150ms）区域。
- **运动受限患者评估**：黄金角旋转轨迹对头部运动的位移敏感度降低约40%，适用于癫痫发作期或重症监护患者。

#### 5. 局限性及改进方向
**5.1 当前局限**
- **长T2组织精度下降**：对于脑脊液（T2=4500ms）等长T2组织，加速度超过25倍时误差率上升至30%以上。
- **计算资源依赖**：隐式神经网络的训练需高性能GPU（如A100显卡），单次重建计算耗时约15分钟，限制临床实时性。

**5.2 未来优化路径**
- **物理模型增强**：集成T1-T2耦合动力学方程（如Bелоуский模型），提升复杂组织（如白质纤维束）的参数解析精度。
- **轻量化网络架构**：采用知识蒸馏技术，将大型隐式神经网络压缩为可移动设备部署的轻量级模型（预计体积减少70%）。
- **动态自适应采样**：根据实时B1场分布调整采样策略，结合闭环反馈系统优化扫描效率。

#### 6. 方法学贡献
本研究在三个层面推动MRI定量技术发展：
1. **序列设计**：提出T2-准备与黄金角堆叠星形轨迹的结合方案，解决了传统长TE序列导致的SNR衰减问题。
2. **重建理论**：首次将隐式神经表示与物理信号模型结合，突破传统压缩感知对噪声敏感的瓶颈。
3. **临床转化**：实现全脑扫描时间从数分钟降至70秒，满足急诊快速评估需求（如脑卒中）。

#### 7. 总结
INSTA技术通过**物理模型驱动的隐式神经网络**，实现了扫描时间与精度的双重突破。其核心创新在于将T2衰减动力学建模与深度学习表示学习深度融合，避免了传统方法中依赖人工特征工程或高采样率的缺陷。未来通过优化网络架构和引入动态补偿算法，有望在保持临床精度的前提下进一步缩短扫描时间，为高场强（7T）MRI的日常应用奠定基础。</sub>