PINQI：一种用于学习式定量 MRI 重建的端到端物理信息方法

定量磁共振成像（qMRI）能够对组织中生物物理参数进行可重复测量。其挑战在于求解一个非线性、不适定逆问题，以从采集的原始数据中获得所需的组织参数图。尽管已提出多种基于学习与不基于学习的方法，现有学习方法未能充分利用关于底层 MR 物理（即信号模型与采集模型）的先验知识。在本文中，我们提出 PINQI，一种新颖的 qMRI 重建方法，将关于信号、采集模型的知识与学习式正则化整合进单一的端到端可训练神经网络。我们的方法基于展开式交替优化，利用可微优化块求解内部线性与非线性优化任务，以及卷积层对中间定性图像与参数图进行正则化。该设计使 PINQI 能同时利用信号模型与学习式正则化的优势。我们通过将所提网络在高度欠采样 $T_1$ 映射场景下与近期发表的方法比较来评估其性能，使用了模拟脑数据集以及来自物理体模的健康志愿者体内数据与真实扫描仪数据。结果证明了我们所提方案相较现有方法的优越性，并凸显了该方法在真实场景中的有效性。