基于无监督的定量磁化率成像方法思考

分析生物组织内的磁化率空间分布，但是从采集的相位数据中重建QSM要解决一个病态逆问题，导致QSM图像存在大量的条形伪影，这为重建出准确的QSM带来了极大的挑战。已提出采用多方向采样的方法来解决这一问题，然而重建过程涉及多个复杂步骤，每一步都会引起数据损耗，造成误差的累积和传递，最终导致重建的QSM不准确，限制了临床的应用。近年来深度学习在医学图像处理上较传统方法取得了显著的效果提升，显示了强大的特征学习能力。本研究聚焦于解决有监督学习QSM标签中误差的累积、传递问题，并克服无监督重建QSM方法丢失了标签中的多方向特征问题。因此，本研究提出了两种无监督定量磁化率成像算法以解决这两个问题，并将其应用在无先兆偏头痛患者中，具体工作如下：

（1）基于物理模型的无监督定量磁化率成像（MUQSM）算法研究。针对有监督学习中QSM标签的制作涉及多个复杂步骤，容易造成误差的累积和传递问题，本研究提出MUQSM算法，从QSM的物理原理出发，构建无监督深度学习模型。实验结果表明相较于传统方法和现有的无监督方法，MUQSM在保留更多细节信息的同时提高了QSM图像质量，在NRMSE、HFEN和PSNR评价指标上甚至能够超越有监督的方法，能在不同的病例数据上清晰地显示病灶所在位置，在抑制大脑边缘部分的图像伪影方面也表现出优秀的性能。其次，在所有传统方法和无监督方法中，MUQSM在评价指标上取得了最好的结果。

（2）基于多方向偶极子核的无监督定量磁化率成像算法研究。针对无监督重建QSM方法丢失了标签中多方向特征的问题，本研究成功利用随机生成的多方向偶极子核引导生成多方向特征，设计了特征融合模块和多方向特征损失函数，提出了基于多方向偶极子核的无监督定量磁化率算法。在公开数据集和病例数据集上的实验结果表明，该方法在视觉效果和评价指标上都取得了较好的结果，在NRMSE、HFEN、PSNR和SSIM评价指标上甚至能够超越有监督的方法，在指标上甚至能够超越有监督的方法，能在病例数据上清晰地显示病灶所在位置。消融实验证明了所提的重建策略的有效性和合理性。

参考文献（略）