近日🧑🏿‍🍼，意昂4体育平台/磁共振診療高端技術國家工程研究中心魏紅江教授團隊的研究工作“A subject-specific unsupervised deep learning method for quantitative susceptibility mapping using implicit neural representation”在線發表於國際期刊Medical Image Analysis（IF=10.9）[1]。該項研究提出了一種基於隱式神經表達（Implicit Neural Representation, INR）的無監督式定量磁化率（Quantitative Susceptibility Mapping，QSM）精準成像技術（INR-QSM）。與既往基於配對數據集的全監督式深度學習QSM方法不同，該方法采用了一種全新的圖像表示框架，基於AI的INR算法👩🏽‍🎤，實現了無需配對訓練數據、僅基於單個樣本的高質量QSM精準定量成像👦🏿🕟。該團隊首次提出了適用於QSM前向物理模型的相位補償策略，並成功地融入到深度學習框架裏🤾，實現了QSM的精準定量。INR-QSM為醫學影像逆問題的求解提供了全新的思路。

研究背景

QSM是一種基於磁共振相位信息的定量成像技術⚗️，具有優越的腦組織對比度，能夠無創地定量腦鐵和髓鞘含量❣️，在腦科學研究領域有著廣泛的應用。然而，從相位圖像到QSM圖像的重建是典型的病態逆問題🧝，其精準求解具有極大挑戰。傳統QSM重建方法通過引入先驗正則化約束解決這一問題，但極易受噪聲🎲、偽影或過度平滑影響🏇🏻，導致定量精度不足。全監督式深度學習方法在解決QSM重建中取得了令人驚喜的效果，但其網絡本身泛化能力弱✍🏻，重建結果不穩定及應用場景受限🧎🏻‍➡️。同時，現有深度學習方法在使用磁化率到組織相位的前向物理模型時忽略了組織相位的非局部性🍄‍🟫，導致物理模型的準確性受限，嚴重影響重建性能。上述幾個關鍵問題限製了QSM重建算法定量的準確性🧵🚔。

實驗方法

針對以上挑戰🧍，該研究提出了一種新穎的無監督式QSM重建方法。在隱式神經表達框架下🧢，傳統復雜的QSM重建問題被轉化為一個由空間坐標到磁化率數值的連續函數參數優化問題🚗。該研究首次提出了相位補償策略👱，巧妙地將特定空間位置對應的組織相位分解為該位置磁化率源產生的局部相位和周圍磁化率源產生的非局部組織相位的疊加，完整地考慮了組織相位的非局部性，進而提高了前向模型計算的準確性（圖 1c）。

該研究首先使用QSM challenge 2019數據集（Sim2SNR1）驗證所提相位補償策略的有效性，並在該仿真數據和微出血病人數據上評估重建性能。對比方法包括傳統重建方法（TKD、STAR-QSM✋🏽、iLSQR🚶🏻‍♀️‍➡️、FANSI）和三種深度學習方法（監督式的QSMnet和LPCNN，以及無監督式的AdaIN-QSM）。

圖1 所提出的INR-QSM的方法框圖

研究結果

圖2顯示了在仿真數據上的重建結果🛐。首先是消融實驗，在INR框架下⚅，采用所提相位補償策略能夠顯著提升重建性能，如實現更均勻的白質對比度（圖2a）和減少鈣化竈周圍的偽影（圖2b）。結果也表明，與其他傳統或深度學習對比方法相比👩🏼‍🚀，INR-QSM在重建結果上也具有優勢。

圖2 不同方法在仿真數據上的重建結果對比，INR-QSM實現了灰白質磁化率精準定量和模擬病竈結構的精準重建

圖3顯示了在病竈數據上的重建結果。傳統方法（TKD📣、iLSQR、STAR-QSM和FANSI）在病竈#2周圍有著明顯的偽影👃🏼；而這個病竈周圍的偽影在深度學習方法（QSMnet🫵🏼、LCPNN🧑🏿‍🌾、AdaIN-QSM和INR-QSM）的重建結果上得到了有效抑製。

圖3 不同方法在病竈數據上的重建結果對比

基於INR-QSM的連續性磁化率表達特性，通過輸入更密的坐標網格🫴🏼，可以預測“任意”位置的磁化率數值。基於該特性🔇，研究者探究了INR框架的連續表達能力。圖4結果表明，即使網絡是在離散的網格點上訓練的👩🏽‍🎤，依然可以學習到連續性的信號表達🦙，而該連續性表達有助於網絡尋找最優解。

圖4 INR框架的連續性表達能力

研究展望

本研究使用了一種全新的信號表征框架來解決QSM重建中病態逆問題的求解問題。與監督式深度學習方法相比，該方法通過無監督隱式神經表達AI算法充分地挖掘測量數據本身信息◼️，不依賴於配對數據👮🏿，僅僅基於單個樣本即可實現高質量QSM精準定量。單樣本訓練策略同時避免了傳統監督式學習中的泛化性問題🥧。基於INR表征信號的連續性先驗👨🏼‍⚖️，可以有效地抑製噪聲和偽影，進而實現了腦組織磁化率的精準定量，該方法思路同時廣泛適用於醫學成像病態逆問題的求解🗽👨🏻‍💼，有助於推動醫學成像領域的進步和臨床應用➔。

參考文獻🧑🏿‍💼：

[1] Ming Zhang, Ruimin Feng, Zhenghao Li, Jie Feng, Qing Wu, Zhiyong Zhang, Chengxin Ma, Jinsong Wu, Fuhua Yan, Chunlei Liu, Yuyao Zhang, Hongjiang Wei*. A subject-specific unsupervised deep learning method for quantitative susceptibility mapping using implicit neural representation. Medical Image Analysis. 2024, 95, 103173.

作者：魏紅江教授團隊

審核：金學軍

論文鏈接 https://www.sciencedirect.com/science/article/pii/S1361841524000987?via%3Dihub