基于弱监督病灶增强的模型展开快速磁共振成像技术及其临床导向优化研究

　　本文提出一种创新性的模型展开深度学习框架——病灶聚焦磁共振成像（LF-MRI），通过弱监督学习机制将病灶先验知识融入加速MRI重建过程。该方法仅需图像级标签即可实现病灶区域的高保真重建，在提升整体图像质量的同时显著增强病理区域显影效果，为临床诊断提供精准影像学支持。

　　

Section snippets

Accelerated MRI reconstruction

为加速磁共振成像（MRI），学界已开展大量研究。代表性重建方法包括传统模型驱动方法（如压缩感知）、纯数据驱动的深度学习重建方法，以及融合物理模型与数据驱动的模型展开（model-unrolled）方法。传统方法依赖手工设计的正则化约束，但其先验表达能力有限；纯数据驱动方法虽能通过非线性映射实现快速重建，但需要大量训练数据且缺乏可解释性；模型展开方法通过将迭代优化过程展开为级联网络，兼具模型可解释性与数据驱动优势。

General MRI model

基于磁共振物理原理，成像系统通过连续-离散转换获取k空间测量值Y。该过程可建模为：Y = AX + ε，其中A为从图像X到k空间测量值的映射算子，ε表示背景噪声。加速MRI重建的目标是从欠采样k空间数据中恢复高质量图像X。

Experiments

（实验部分内容描述）

Discussion

本节通过在fastMRI数据集上的消融实验，系统讨论了LF-MRI方法的有效性及潜在局限性。

Conclusion

本文提出了一种基于弱监督病灶注意力引导的模型展开深度学习方法（称为LF-MRI），用于面向临床需求的多线圈加速MRI重建。我们开发了独特的病灶聚焦重建模型，通过图像级标签即可高效训练可学习正则化项，在保持整体图像质量的同时实现病灶增强成像。设计的专用迭代算法被展开为级联深度网络，最终实现病灶聚焦的快速成像。