基于自监督学习的加权图像引导定性MRI超分辨率

高分辨率（HR）定性MRI（qMRI）松弛性提供客观组织特征描述，但因采集时间较长仍在临床中被低估使用。我们提出一种基于物理模型的自监督框架，用于qMRI超分辨率，该框架利用常规获取的HR加权MRI（wMRI）扫描作为指导，从而无需HR qMRI基准来进行训练。我们将超分辨率表述为贝叶斯最大后验推断，最小化两个偏差：（1）通过前向信号模型将从超分辨率qMRI图合成的HR图像与获取的wMRI指导之间的差异，以及（2）获取的LR qMRI与下采样预测之间的差异。这种物理模型目标使模型能够从临床wMRI中学习，而无需HR qMRI监督。为验证概念，我们通过信号方程生成训练数据，将wMRI从HR qMRI中综合，然后通过k空间截断降低qMRI分辨率。深度神经网络学习超分辨率映射。消融实验表明，T1加权图像主要增强T1图，T2加权图像改善T2图，联合指导能同时最佳增强所有参数。独立获取的体内数据验证了跨qMRI序列的通用性。训练合成数据上的模型可产生来自1分钟采集的超分辨率图，其质量相当于5分钟参考扫描，利用松弛性参数的扫描器无关性。通过分离训练与HR qMRI要求，本框架使快速qMRI采集能够通过常规临床图像获得提升，为将定性松弛性轻松集成到临床工作流程中提供了可行路径，附加扫描时间可接受。