基于 MRI 物理模型的无监督 MRI 组织特性学习

在神经影像中,MRI 组织特性刻画了潜在的神经生物学特征,为神经系统疾病的检测与分析提供定量生物标志物,并可用于合成任意 MRI 对比度。利用所有临床扫描仪均可用的协议从单次扫描会话中估计组织特性,有望减少扫描时间与成本,在常规临床扫描中实现定量分析,并提供与扫描无关的疾病生物标志物。然而,现有的组织特性估计方法——最常见的是 $\mathbf{T_1}$ 弛豫、$\mathbf{T_2^*}$ 弛豫和质子密度($\mathbf{PD}$)——需要来自多次扫描会话的数据,且无法从单次临床可用的 MRI 协议(如多回波 MRI 扫描)中估计所有特性。此外,临床成像站点间非标准采集参数的广泛使用要求估计方法能跨不同扫描仪参数泛化。然而,现有学习方法依赖于特定采集协议,无法从来自不同成像站点的异质临床数据中进行估计。本工作中,我们提出一种无监督深度学习策略,利用 MRI 物理从单次多回波 MRI 扫描会话中估计全部三种组织特性,并跨不同采集参数泛化。所提策略优化从估计的潜在组织特性准确合成新 MRI 对比度,从而实现无监督训练;我们还在训练时采用随机采集参数以实现采集泛化。我们首次展示了从单次多回波扫描会话估计所有组织特性,并证明了在组织特性估计与 MRI 合成方面准确性和泛化性的提升。