💻 computer science

Phase-map synthesis from magnitude-only MR images using conditional score-based diffusion models with application in training of accelerated MRI reconstruction models

本文提出利用基于条件分数的扩散模型，从仅含幅值的磁共振图像中合成逼真的相位图，从而构建大规模k空间数据集，与现有替代方案相比，该数据集能显著提升基于深度学习的加速磁共振成像重建模型的训练效果与诊断保真度。

原作者： M. Berk Sahin, Dilek Yalcinkaya, Abolfazl Hashemi, Behzad Sharif

发布于 2026-05-05

📖 1 分钟阅读☕ 轻松阅读

原作者： M. Berk Sahin, Dilek Yalcinkaya, Abolfazl Hashemi, Behzad Sharif

原始论文采用 CC BY 4.0 许可（http://creativecommons.org/licenses/by/4.0/）。 ✨ 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。阅读完整免责声明

想象一下，你正在试图教一个机器人厨师如何根据食谱书做出一顿完美的饭菜（即重建清晰的医学图像）。在磁共振成像（MRI）的世界里，这份“食谱”就是从机器收集的原始数据，被称为k 空间。

然而，存在一个大问题：大多数医院会丢弃整本食谱书。由于隐私和存储问题，他们只保留“成品菜”的照片（即仅幅度图像）。他们丢弃了关于如何混合风味的秘密指令（即相位图）。没有这些秘密指令，机器人厨师就无法学会做好菜，尤其是在机器高速运行时（加速 MRI）。

本文提出了一种巧妙的解决方案：让我们使用一台“魔法想象机器”来推测缺失的秘密指令。

以下是作者做法的简单解释：

1. 问题：缺失的“秘密酱料”

当医生进行 MRI 扫描时，机器会捕捉两样东西：

幅度（Magnitude）： 身体部位的明亮、清晰的图像（就像一张黑白照片）。这通常是会被保存下来的部分。
相位（Phase）： 一个隐藏的地图，显示磁信号是如何变化的。它对肉眼不可见，但对于重建图像至关重要，尤其是在扫描速度很快时。

由于医院只保存“照片”而丢弃了“地图”，研究人员一直受困于非常小的数据集来训练他们的人工智能。他们不能仅仅假装地图是平滑或简单的；这就像试图通过猜测配料来烤蛋糕，会导致糟糕的结果。

2. 解决方案：“魔法想象机器”（SBDM）

作者构建了一种新型人工智能，称为基于分数的扩散模型（SBDM）。可以将这个模型想象成一位技艺高超的艺术修复师或侦探。

工作原理： 你向人工智能提供“照片”（幅度图像）。然后，人工智能利用其训练来“想象”或“合成”缺失的“秘密地图”（相位图），该地图在逻辑上应属于那张照片。
类比： 想象你看到一张雨天街道的照片。普通的计算机可能会猜测水坑只是平坦的圆形。然而，这种新的人工智能会观察反光、雨的角度以及路面的纹理，并“梦想”出一个高度逼真、复杂的地图，精确描绘水流向何处，即使它从未见过原始地图。

3. 实验：训练机器人厨师

为了验证这个“想象出来的地图”是否足够好，作者进行了以下操作：

他们利用他们的人工智能，基于真实的患者照片创建了数千个伪造的“秘密地图”。
他们将这些伪造的地图与真实照片结合，创建了一个巨大的、伪造的“食谱书”（一个庞大的 k 空间数据集）。
他们将这个新数据集输入到一个标准的人工智能（称为VarNet）中，教导它如何重建快速 MRI 扫描。

4. 结果：谁做出了最好的饭菜？

他们将他们的新方法与另外三种推测缺失地图的方法进行了比较：

“天真”的猜测： 仅仅假设地图是平滑且简单的（就像假设所有雨坑都是完美的圆形）。
“旧魔法”（GAN）： 使用一种较旧类型的人工智能（生成对抗网络）来推测地图。
“真家伙”： 使用实际的、真实的秘密地图（他们仅拥有极少量的此类数据用于测试对比）。

研究发现：

天真的猜测： 对于慢速扫描效果尚可，但当扫描非常快时，重建的图像变得模糊且充满错误。
旧魔法（GAN）： 比天真的猜测要好，但它开始凭空捏造。它制造了“幻觉”——大脑或膝盖中实际上并不存在的虚假细节。这就像厨师加入了一种不属于这道菜的奇怪香料。
新魔法（SBDM）： 这是获胜者。使用他们人工智能的“想象地图”重建的图像，几乎与使用真实秘密地图重建的图像一样好。至关重要的是，它没有编造虚假细节。 图像清晰、准确，且没有那些令人困惑的“幻觉”。

核心结论

该论文表明，通过使用这种新的“基于分数的扩散”模型，我们可以利用医院已经拥有的数百万张 MRI 照片（这些照片缺乏秘密的相位数据），将它们转化为强大的训练工具。这使得人工智能能够在无需访问医院通常丢弃的原始私有数据的情况下，学习如何创建快速、高质量的 MRI 扫描。

简而言之：他们教会了人工智能去“梦想”出 MRI 中缺失的部分，以便其他人工智能能够学会即使在机器高速移动时也能清晰地“看见”。

技术摘要：基于条件分数扩散模型的仅幅度磁共振图像相位图合成

问题陈述
训练用于加速磁共振成像（MRI）的基于深度学习（DL）的图像重建模型，需要大量多样化的原始 k 空间（傅里叶域）数据。然而，在大多数临床环境中，由于存储限制和患者隐私问题，原始 k 空间数据通常被丢弃；仅保留仅幅度图像（通常为 DICOM 格式）。虽然对仅幅度图像应用正向傅里叶变换可生成“有效”的 k 空间数据，但缺乏相位信息（在 MRI 中相位信息本质上是非零的）会忽略关键特征，往往导致重建性能不佳。现有文献局限于小型训练数据集或少数开源 k 空间存储库。尽管合成数据已被证明可改善基于 DL 的 MRI 的泛化能力，但现有的生成方法（如生成对抗网络 GAN）存在训练不稳定和结果偏差的问题。因此，亟需一种稳健的生成方法，从仅幅度图像合成逼真的相位图，以构建大规模训练数据集。

方法论
作者提出了一种新颖的框架，利用**条件分数扩散模型（SBDMs）**从仅幅度图像合成逼真的 MRI 相位图。该流程包含三个主要阶段：

SBDM 训练：构建一个连续扩散过程，其目标是建模以幅度图像（ $y$ ）为条件的相位图（ $x$ ）的后验分布。作者采用方差爆炸（VE）-SDE公式，经验观察表明其比方差保持（VP）-SDE 能产生更高质量的样本。该模型使用基于 ncsnpp 架构（带有 BigGAN 残差块的 U-Net 变体）的时间依赖分数函数网络（ $s_\theta$ ），通过切片分数匹配进行训练。该网络学习去噪与幅度图像拼接的含噪相位图。
相位图合成：训练完成后，SBDM 生成与输入仅幅度图像对应的逼真相位图。将这些合成的相位图与原始幅度图像结合，以重建完整的复数 k 空间数据。
下游评估：为了评估合成相位图的质量，作者使用合成的 k 空间数据训练一个VarNet（一种基于 DL 的加速 MRI 重建模型）。随后，该 VarNet 在真实世界的 k 空间数据（来自 fastMRI 数据集）上进行测试，以评估重建保真度。

所提出的方法与三个基线进行了比较：

朴素/平滑：幅度图像与从高斯分布采样的相位图结合。
GAN：使用最先进的 GAN 方法合成的相位图。
真实值（GT）：从实际原始 k 空间数据导出的相位图。

主要贡献

SBDM 在 MRI 相位合成中的首次应用：据作者所知，这是首次探索将基于分数的扩散模型专门应用于从仅幅度 MR 图像合成相位图的工作。
数据增强策略：该方法能够从广泛可用的仅幅度图像登记库中创建大型、多样化的 k 空间训练数据集，解决了原始 k 空间数据稀缺的问题。
全面评估：该研究不仅使用弗雷歇初始距离（FID）在视觉相似性上评估生成模型，还关键性地评估了其在下游重建任务中的效用，测量了定量指标（SSIM、PSNR、NRMSE）和定性保真度（是否存在幻觉特征）。

结果

生成质量：在 FID 分数方面，SBDM 显著优于 GAN 方法。对于膝关节数据集，FID 为 5.46（SBDM）对比 40.65（GAN）；对于脑部数据集，FID 为 3.46（SBDM）对比 32.08（GAN）。在定性方面，基于 GAN 的相位图表现出真实值中不存在的错误锐利模式和噪声，而 SBDM 的输出更为逼真。
重建性能：在 SBDM 合成的 k 空间数据上训练的 VarNet 模型，在各种加速因子（ $R \in \{2, 3, 4, 6\}$ ）和自校准区域大小下，其性能与在真实值 k 空间数据上训练的模型几乎相同。
与基线的比较：
- **朴素（平滑相位）**方法在低加速因子下表现与 SBDM 相当，但随着加速因子的增加，性能急剧下降。
- 基于 GAN的方法在某些情况下显示出与 SBDM 相当的定量指标（NRMSE），但在定性方面失败。在较高的加速因子下，基于 GAN 训练的模型在重建图像中产生了“幻觉”特征（错误结构），特别是在脑部结构中，这可能会 adversely 影响诊断准确性。

意义与主张
该论文声称，所提出的 SBDM 方法在合成 MRI 相位图方面优于现有的基于 GAN 的方法。作者强调，虽然 NRMSE 等定量指标在 SBDM 和 GAN 方法之间可能相似，但重建保真度是关键的区别因素。SBDM 方法避免了生成可能损害诊断准确性的错误或幻觉特征，而这是 GAN 所面临的风险。

作者得出结论，拥有“逼真”的相位图对于有效利用仅幅度 MR 图像数据库来训练高度加速的重建模型至关重要。他们将这项工作定位为临床 DL 部署中“数据集偏移”问题的解决方案，使得能够利用海量匿名的仅幅度图像存储库来训练可泛化的高性能重建模型，而无需访问被丢弃的原始 k 空间数据。