一种基于物理信息的深度学习MRI脑部运动矫正模型
摘要
背景：MRI是脑部成像的关键技术，但由于采集时间较长，极易受到运动伪影的影响。本研究引入PI-MoCoNet（Physics-Informed Motion Correction Network），一种集成空间信息和 k 空间信息的物理信息驱动运动矫正网络，用于去除运动伪影，而无需显式估计运动参数，从而提升图像保真度和诊断可靠性。材料与方法：PI-MoCoNet由运动检测网络（采用空间平均的 U-net）用于识别受损 k 空间线，以及运动矫正网络（采用 Swin Transformer 模块的 U-net）用于重建无运动伪影的图像。该矫正方法通过三种损失函数引导：重建损失（L1）、感知损失（LPIPS）和数据一致性损失（Ldc）。通过刚性相编码扰动模拟运动伪影，并在 IXI 和 MR-ART 数据集上对比 Pix2Pix、CycleGAN 和 U-net，使用 PSNR、SSIM 和 NMSE 进行评估。结果：PI-MoCoNet显著提升了图像质量。在IXI数据集上，对于轻微伪影，PSNR从34.15 dB提升至45.95 dB，SSIM从0.87提升至1.00，NMSE从0.55%降至0.04%。对于中度伪影，PSNR从30.23 dB提升至42.16 dB，SSIM从0.80提升至0.99，NMSE从1.32%降至0.09%。对于重度伪影，PSNR从27.99 dB提升至36.01 dB，SSIM从0.75提升至0.97，NMSE从2.21%降至0.36%。在MR-ART数据集上，PI-MoCoNet实现了约10 dB的PSNR提升，最高可达0.20的SSIM改进，NMSE降低约6%。消融研究确认数据一致性和感知损失的重要性，分别带来约1 dB的PSNR提升和0.17%的NMSE降低。结论：PI-MoCoNet有效缓解了脑部MRI中的运动伪影，优于现有方法。其能够集成空间和 k 空间信息，使其成为临床应用于运动易发人群的有前景的工具。代码：https://github.com/mosaf/PI-MoCoNet.git。
引用
@article{arxiv.2502.09296,
title = {A Physics-Informed Deep Learning Model for MRI Brain Motion Correction},
author = {Mojtaba Safari and Shansong Wang and Zach Eidex and Richard Qiu and Chih-Wei Chang and David S. Yu and Xiaofeng Yang},
journal= {arXiv preprint arXiv:2502.09296},
year = {2026}
}