跳转至

第14章 心脏磁共振中基于人工智能的图像重建（Artificial Intelligence-Based Image Reconstruction in Cardiac Magnetic Resonance）

作者

  • Chen Qin, B.Eng, MSc, PhD — Institute for Digital Communications, School of Engineering, University of Edinburgh, UK.
  • Daniel Rueckert, PhD（通讯作者）— Department of Computing, Imperial College London, UK; Klinikum rechts der Isar, Technical University of Munich, Germany. CMR 重建领域顶级学者，Hammernik 的合作者（Ch 13）。

本章是 Part II 的"AI × CMR 重建"专章——Ch 13 的方法学在 CMR 上的具体应用。Ch 13 写了 MR 重建总论，本章专注 CMR。读者应已熟悉 Ch 6 (CNN), Ch 13 (DC 层、unrolled 网络) 的内容。

内容概述

本章是 DL 在 CMR 重建中的综述——核心论点：(1) CMR forward model：\(y = Ex + n\)（式 14.1），\(E\) 编码多线圈 + 傅里叶变换 + 欠采样 mask；(2) CMR 重建本质是逆问题——从欠采样 k-space 恢复图像；(3) 传统 CS-CMR 重建（k-t FOCUSS、k-t SLR、LORAKS、\(\ell_1\)-ESPIRiT 等）已成熟但速度慢 + 需手工调超参；(4) DL 重建分 3 类：① 图像后处理（CNN 改善 CS 输出）、② model-driven / unrolled 重建（把迭代算法展开为可微网络——本章核心）、③ k-space 插值（CNN 预测未采样位置）；(5) 数据一致性（DC）层是 unrolled 重建的核心——把物理采集信息注入网络；(6) 监督 vs 自监督——监督学习需高质量 ground truth（实际难获得），自监督 SSDU 是新兴方向；(7) 挑战：CMR 训练数据稀缺 + 跨中心泛化差 + 临床验证不足。

核心方程与概念

0. 几个量化表达

  • MR forward model（式 14.1）：\(y = Ex + n\)，\(x \in \mathbb{C}^{N_x}\) 待重建图像，\(y \in \mathbb{C}^{N_y}\) 欠采样 k-space 测量，\(n\) 为加性高斯噪声。
  • 重建逆问题（式 14.2）：\(\arg\min_x \mathcal{R}(x) + \lambda \|y - Ex\|_2^2\)——保真项 \(\|y - Ex\|_2^2\) + 正则化项 \(\mathcal{R}(x)\)。\(\lambda\) 控制平衡。
  • Unrolled 优化迭代（式 14.3-14.4）：引入辅助变量 \(z\) 后变成 ADMM 形式——交替优化 \(z\) 和 \(x\)。
  • CMR 典型加速比：PI 2-3×，CS 4-6×，DL 8-12× 仍保持诊断质量。

1. CMR 重建的传统方法

  • k-t FOCUSS（Jung 2009）：k-t 域稀疏 + FOCUSS 算法。
  • k-t SLR（Lingala 2011）：k-t 域低秩 + 稀疏。
  • \(\ell_1\)-ESPIRiT（Uecker 2014）：压缩感知 + ESPIRiT 线圈校准。
  • LORAKS（Haldar 2016）：低秩矩阵补全。
  • 缺点：迭代 100+ 次 → 计算慢；超参需手工调（不同扫描协议不同）。

2. DL 重建的 3 大类

  • 图像后处理：用 CS 输出作为"伪 GT" + CNN 改善。优点：简单；缺点：受限于 CS 性能上限。
  • Model-driven / Unrolled 重建：把迭代算法（梯度下降、ADMM、primal-dual）展开为可微网络——每层 = 一次迭代 + DC 层。代表：Variational Network (Hammernik 2018)、ADMM-Net (Yang 2016)、MoDL (Jacob 2018)。
  • k-space 插值：CNN 直接预测欠采样位置的 k-space 值。代表：RAKI (Akçakaya 2019)、GRAPPA-like 残差学习。

3 大范式适用场景总结： - 图像后处理 → 适合"快速 PoC"——把 CS 输出当输入，加一层 CNN 改善。 - unrolled 变分网络 → 适合"高质量临床部署"——结合物理 + 学习，性能上限最高。 - k-space 插值 → 适合"2D 静态 MR 加速"——计算量小、易部署；不适合动态 CMR。

3. 数据保真层（Data Consistency Layer）

  • 核心：在 unrolled 网络的每一步，先做"网络变换"，再强制网络输出 \(x\) 与已采集 k-space \(y\) 一致。
  • 数学：最小化 \(\|Ex - y\|_2^2\)——可解（闭式解或 1 次迭代），可微。
  • 意义：把物理采集注入 DL 输出 → 避免"DL 创造细节"的虚假信息。

4. 训练策略

  • 监督学习：\(x\)（ground truth 完全采样图像） + \(y\)（欠采样 k-space）。但 CMR 完全采样几乎不可能（屏气 20+ 秒）。
  • 自监督 SSDU（Yaman 2020）：把 \(y\)（欠采样 k-space）自己 split 为"输入 + 目标"——不需要完全采样。
  • 迁移学习：在自然图像 / 神经 MR 上预训练 → 微调到 CMR。
  • 数据增强：弹性变形、强度扰动、对比度变化。

4.1 SSDU 自监督学习的细节

  • 核心思想：将欠采样 k-space \(y\) 随机 mask 一次为 \(y_{\text{in}}\)（网络输入）和 \(y_{\text{out}}\)（自监督目标）。
  • 训练循环：
  • 网络 \(f_\theta\) 输入 \(y_{\text{in}}\)（部分 k-space），输出重建图像 \(\hat{x}\)。
  • 将 \(\hat{x}\) 通过 forward model \(E\) 投影到 k-space 域：\(\hat{y} = E \hat{x}\)。
  • 仅在 \(y_{\text{out}}\) 位置计算 loss：\(L = \| \hat{y}_{\text{out}} - y_{\text{out}} \|_2^2\)。
  • 反向传播更新 \(\theta\)。
  • 优势：不需要完全采样 GT；损失函数直接定义在采集域（k-space）——保证物理一致性。
  • 挑战：\(y_{\text{in}}\) 与 \(y_{\text{out}}\) 必须是 k-space 的"互补集"——mask 设计影响性能。
  • 临床意义：对 CMR 特别重要——完全采样几乎不可得；SSDU 让 DL 重建"用临床可获得的数据"训练。

5. 损失函数

  • L1 / L2 损失：最常用，但模糊。
  • SSIM / MS-SSIM（Wang 2003）：与人眼感知更对齐。
  • 感知损失（perceptual loss）：用 VGG 特征差异。
  • 对抗损失（GAN-loss）：让重建图像分布接近真实分布——锐利但不稳定。

6. Unrolled 变分网络的数学展开（核心架构）

  • 目标函数（式 14.2）：\(\arg\min_x \mathcal{R}(x) + \lambda \|y - Ex\|_2^2\)
  • 变量分裂：引入辅助变量 \(z\)，强制 \(z = x\)： $\(\arg\min_{x,z} \mathcal{R}(z) + \lambda \|y - Ex\|_2^2 + \frac{\mu}{2} \|x - z\|_2^2\)$
  • 交替最小化迭代（式 14.4a-b）：
  • \(z^{(i+1)} = \arg\min_z \mathcal{R}(z) + \frac{\mu}{2} \|x^{(i)} - z\|_2^2\)（正则化步，DL 网络学）
  • \(x^{(i+1)} = \arg\min_x \lambda \|y - Ex\|_2^2 + \frac{\mu}{2} \|x - z^{(i+1)}\|_2^2\)（DC 步，闭式解）
  • Unrolled 网络：把 \(N\) 次迭代展开为 \(N\) 个 block——每个 block 含 1 个正则化子网络（如 ResNet）+ 1 个 DC 层。
  • 优势：物理一致性（DC）+ 学习先验（CNN）= 可解释 + 高性能。

关键结论

  • CMR 重建本质是逆问题——欠采样 k-space 恢复图像。
  • CS-CMR 重建在加速比 4-6× 已成熟，但速度慢 + 需调超参。
  • Unrolled 变分网络是当前 DL 重建的"金标准"——结合了物理建模（DC 层）和学习能力（CNN）。
  • DC 层保证网络输出与采集数据一致——是 DL 重建"可信"的关键。
  • CMR 训练数据稀缺——fastMRI 主要含神经 MR——CMR DL 重建"落后"于神经 MR 重建 1-2 年。
  • 自监督学习（SSDU）是缓解"完全采样不可得"的关键技术——2022 年新兴方向。
  • 3 大 DL 重建范式各有适用场景——k-space 插值适合 2D 静态、unrolled 适合 2D+t 电影、图像后处理适合"快速 PoC"。
  • DL 重建的"加速比"可超过传统 CS（8× vs 4-6×）——但加速比上限仍受物理采集限制。
  • 临床部署的真正障碍不是算法而是多中心、跨厂商验证 + 监管批准。

挑战和开放性问题

  • CMR 训练数据稀缺——El-Rewaidy 2020 首个公开 CMR raw k-space 集仅 108 例——远不够深度学习。
  • 完全采样的"伪 GT"——CS 输出作为 GT → DL 性能受限于 CS 上限——突破需要自监督或多对比度融合。
  • 跨厂商 / 跨场强泛化——GE 1.5T 训练 → Siemens 3T 部署性能下降。
  • 心跳 / 呼吸运动伪影——完全采样要求屏气 20+ 秒——真实数据都是不完美 GT。
  • DC 层的"理论极限"——超过一定加速比，DC 信息不足以恢复。
  • "实时 CMR 重建"——4D flow CMR 实时显示仍是开放问题。
  • 临床验证不足——Recht 2020 互换研究、Han 2020 等是单中心——多中心 RCT 极少。
  • 可解释性 / 监管——医生"不信任"黑箱输出——FDA PCCP 路径才刚起步。
  • 评估指标——PSNR/SSIM 与"临床诊断准确率"的相关性不清。
  • 计算资源——unrolled 变分网络训练需要多 GPU 服务器——医院本地部署的算力。
  • 对抗扰动安全——k-space 中微小扰动 → 图像大变化——风险评估未做。

个人反思与批判性分析

本章作为"CMR DL 重建专章"是理论严谨、案例扎实的章节。反思点：

优势： - 3 大范式（图像后处理 / model-driven / k-space 插值）的清晰分类。 - DC 层作为 unrolled 重建"灵魂"——讲透了数学。 - 自监督 SSDU 给出"无 GT"训练的新方向。 - 损失函数（L1/L2/SSIM/perceptual/GAN）讨论——是工程经验。 - 引用 60+ 篇——本节最丰富。

批判与补足： 1. "商业 DL 重建产品"——Siemens Deep Resolve、GE AIR Recon、Canon PIQE、Philips SmartSpeed——真实临床部署未充分讨论。2022 年商业现状应该有专门段落。 2. CMR 训练数据——El-Rewaidy 2020 的 108 例是 2020 年时点——2024 年是否有大型公开 CMR 数据集？如 OCMR、MR-RAW？ 3. "CMR vs 神经 MR 重建"的差距——具体差多少？神经 MR fastMRI 上 12× 加速 + 0.001 NMSE；CMR 上 4× 加速 + 0.01 NMSE？ 4. "理论加速比上限"未量化——4×、8×、16×、32× 的 Pareto 前沿？ 5. "DC 层的物理意义"——为什么它有效？什么时候失败？ 6. "SSDU 监督 vs 监督学习" 的差距——实验上 SSDU 损失多少性能？ 7. "实时 CMR 重建" 的真实场景——4D flow CMR 实时显示临床应用案例？ 8. "对抗扰动"——k-space 中 0.01% 扰动 → 图像大变化？安全性研究？ 9. "全球 DL 重建部署的硬件门槛"——医院 PACS 系统能否负担 GPU 推理？边缘设备 (NVIDIA Clara) ？ 10. "DL 重建 + 分割 + 自动诊断" 的端到端管道——目前是否有人实现？

给作者的问题： - CMR DL 重建在 2024 年时点的最大公开数据集有多大？1000 例？10000 例？ - "商业 DL 重建产品"在心脏 MR 的真实临床采纳率是多少？5%? 50%? 90%? - DL 重建 + DC 层的理论加速比上限——超过这个加速比，无论 DL 如何好都不可能恢复？ - "自监督学习"与监督学习的实际性能差距是多少？ - "实时 4D flow CMR 重建"——有真实临床部署案例吗？

值得复现的实践： - 在 fastMRI 上训练一个 Variational Network——比较 4×、8×、12× 加速比。 - 复现 MoDL (Model-based Deep Learning) 网络结构。 - 实现 SSDU 自监督训练——验证"无 GT"训练可行性。 - 评估 3D CMR 重建的内存墙——需要多少 GPU 内存？ - 写一个"k-space 扰动攻击"实验——评估 DL 重建的鲁棒性。 - 复现 MoDL + DC 层——对比纯图像后处理 U-Net 在 CMR 短轴电影上的 PSNR/SSIM 差异。 - 调研 OCMR / MR-RAW 等 2024 年大型公开 CMR 数据集——对比 fastMRI 神经 MR 规模。 - 评估 SSDU 与监督学习在 CMR 上的 NMSE 差距——量化"自监督损失多少性能"。 - 用 MONAI 复现 unrolled variational network——将 \(N=10\) 次迭代展开为 10 个 block——验证 DC 层在末次迭代的"物理约束"作用。 - 调研 Siemens Deep Resolve、GE AIR Recon、Canon PIQE 在 CMR 真实临床部署的2022-2024 案例数。

重要参考文献

[X1] Qin C, Schlemper J, Caballero J, Price AN, Hajnal JV, Rueckert D. Convolutional recurrent neural networks for dynamic MR image reconstruction. IEEE TMI. 2019;38(1):280–90. DOI: 10.1109/TMI.2018.2863670. (RNN + CMR 重建) [X2] Schlemper J, Caballero J, Hajnal JV, Price AN, Rueckert D. A deep cascade of convolutional neural networks for dynamic MR image reconstruction. IEEE TMI. 2018;37(2):491–503. DOI: 10.1109/TMI.2017.2760976. [X3] Hammernik K, Klatzer T, Kobler E, et al. Learning a variational network for reconstruction of accelerated MRI data. Magn Reson Med. 2018;79(6):3055–71. DOI: 10.1002/mrm.26977. [X4] Akçakaya M, Yaman B, Chung H, Ye JC. Unsupervised deep learning methods for inverse problems. IEEE Signal Process Mag. 2020;37:128–43. (自监督综述) [X5] Yaman B, Hosseini SAH, Moeller S, Ellermann J, Uğurbil K, Akçakaya M. Self-supervised physics-guided deep learning reconstruction. Magn Reson Med. 2020;84(6):3172–91. DOI: 10.1002/mrm.28368. (SSDU 原文) [X6] Jung H, Ye JC, Kim EY. Improved k-t BLAST and k-t SENSE using FOCUSS. Phys Med Biol. 2007;52(11):3201–26. (k-t FOCUSS) [X7] Lingala SG, Hu Y, DiBella E, Jacob M. Accelerated dynamic MRI exploiting sparsity and low-rank structure: k-t SLR. IEEE TMI. 2011;30(5):1042–54. DOI: 10.1109/TMI.2011.2140508. (k-t SLR) [X8] Uecker M, Lai P, Murphy MJ, et al. ESPIRiT—an eigenvalue approach to autocalibrating parallel MRI: where SENSE meets GRAPPA. Magn Reson Med. 2014;71(3):990–1001. DOI: 10.1002/mrm.24751. [X9] Haldar JP, Liang ZP. Low-rank approximations for dynamic imaging. In: ISBI 2016. [X10] Zbontar J, Knoll F, Sriram A, et al. fastMRI: an open dataset and benchmarks for accelerated MRI. arXiv:1811.08839. 2018. [X11] Recht MP, Zbontar J, Sodickson DK, et al. Using deep learning to accelerate knee MRI at 3 T: results of an interchangeability study. AJR. 2020;215(6):1421–9. DOI: 10.2214/AJR.20.23313. (DL MR 互换研究) [X12] Jacob M, Ye JC, Ying L, Doneva M. (MoDL) Model-based deep learning architecture for inverse problems. IEEE TMI. 2018.