以一驭多：物理信息合成数据助推可泛化深度学习用于快速 MRI 重建

磁共振成像（MRI）是一种广泛使用的放射学模态，以其无辐射、对人体全面的洞察而著称，助力医学诊断。然而，扫描时间过长的缺点阻碍了其可及性。k 空间欠采样提供了一种解决方案，但由此产生的伪影需在图像重建时细致去除。尽管深度学习（DL）已证明对快速 MRI 图像重建有效，其在多种成像场景中的更广泛应用受到限制。挑战包括获取大规模多样训练数据的高成本与隐私限制，以及现有 DL 方法中处理训练与目标数据间失配的固有困难。在此，我们提出一种用于快速 MRI 的物理信息合成数据学习框架，称为 PISF。PISF 通过单一训练模型实现多场景 MRI 重建的泛化 DL，标志着突破。我们的方法将 2D 图像重建分解为多个 1D 基本问题，从 1D 数据合成入手以促进泛化。我们证明，在合成数据上训练 DL 模型并结合增强学习技术，可产生与匹配真实数据集训练的模型相当甚至更优的体内 MRI 重建，将真实世界 MRI 数据的依赖降低多达 96%。此外，PISF 在多家厂商与成像中心间展现出显著泛化性。其对不同患者群体的适应性已通过十位资深医学专家的评估得到验证。PISF 为显著提升 DL 在各种快速 MRI 应用中的广泛采用提供了一种可行且经济高效的途径。