VQ-Wave：一种面向非对比增强肺部通气与灌注 MRI 的物理驱动时空深度学习方法
医学物理
2026-05-05 v2
摘要
目的：开发一种 robust 深度学习框架，用于非对比增强功能肺 MRI，克服谱分解在生理非平稳性存在下的局限性。方法：我们引入 VQ-Wave（Ventilation/Q-perfusion Waveform-based Assessment of Variable Evolutions），这是一种物理驱动的时空 inception 神经网络，基于合成信号模型进行训练，以估计通气和灌注参数。通过处理局部空间上下文和时间演化，网络学习如何从噪声中解耦生理信号。性能通过数值幻像和体内肺 MRI 验证，后者在四名健康志愿者和两名罕见疾病患者（CF）的 1.5T 下获得。结果：在数值基准中，VQ-Wave 在 MP（矩阵铤）分解 exhibits 随机不稳定性 due to 谱泄漏 的情况下表现出优异的鲁棒性，保持低的全球和局部误差率。在体内，VQ-Wave 正确捕获了 CF 患者的功能缺陷，yielding 通气和灌注图谱，具有高水平的量化稳定性（平均变动 < 12%），即使扫描时间缩短至原来的 15 秒也能实现。相反，在不规则生理和短扫描长度下，MP 分解严重退化，exhibits 系统性幅值不稳定性、过度估计偏差和区域信号丢失。结论：VQ-Wave 提供了一种 robust、由物理驱动的神经网络替代方案，用于谱分解。通过有效处理生理不规则性和噪声，它实现了可靠的功能肺成像，并显著缩短了获取协议的时间。
引用
@article{arxiv.2604.16161,
title = {VQ-Wave: A physics-driven spatio-temporal deep learning approach for non-contrast-enhanced lung ventilation and perfusion MRI},
author = {Grzegorz Bauman and Pavlos Panos and Philipp Latzin and Oliver Bieri},
journal= {arXiv preprint arXiv:2604.16161},
year = {2026}
}