深圳先进院医学成像科学与技术系统重点实验室注重交叉利用数学和物理前沿，进行关键技术与系统的突破。快速磁共振成像技术是磁共振成像的关键共性技术，其数学本质是要求解一个高度病态反问题，准确求解困难，深度学习技术已经成为求解这一问题的主流工具。深圳先进院磁共振团队基于在深度学习快速磁共振成像领域的前瞻布局和深厚基础，针对当前技术需要大量训练样本及可靠性不足的问题，提出新型深度网络架构与模型，并充分结合磁共振成像独特的物理性质，实现高加速下的准确重建。代表性的工作如下。
磁共振利用多通道线圈接收人体生理信号，多线圈的数据间具有很强的相关性。团队针对磁共振成像中全采数据难以获得的巨大挑战，提出利用线圈间数据相关性这一物理先验，来构建磁共振物理驱动的无监督深度神经网络成像模型，并分析了网络的误差上界，为成像可靠性提供保障。实验结果（图1）表明，该方法无需训练数据就能够重建出高质量图像，且效果与需要训练数据方法类似。研究成果发表在医学成像领域著名期刊Medical Image Analysis。
其次，针对目前主流深度学习快速重建方法可靠性不足的问题，提出了零阶算法展开网络的思想，利用网络表示正则化子零阶信息（正则化子本身），增强了网络学习的可解释性，保证了网络算法收敛性和鲁棒（正则）性。实验证明（图2），该方法重建图像质量明显优于传统方法。研究成果发表在医学成像领域著名期刊IEEETransactions on Medical Imaging。
此外，磁共振驰豫值是其重要的物理参数，可以表征组织的一些生理信息，团队基于该物理弛豫先验和图像的结构相似性，提出了基于低秩张量的快速磁共振T1ρ驰豫定量方法（SMART），将扫描时间由全采样数据所需的49.9分钟缩短至3.8分钟，且在高达13.2倍加速倍数下仍能获得与全采样数据相当的图像，且重建误差小于目前主流的重建方法（图3）。相关研究工作发表在医学成像领域著名期刊IEEE Transactions on Medical Imaging。
在上述成果的基础上，团队在信号处理顶刊IEEE Signal Processing Magazine发表深度学习磁共振定量成像综述长文Physics-Driven Deep Learning Methods for Fast Quantitative Magnetic Resonance Imaging，对物理驱动的快速定量磁共振成像方法进行广泛和深度的分析，并探讨了该领域未来的研究方向。
相关工作得到了国家自然科学基金，科技部重点研发计划、广东省自然科学基金、深圳市基础研究重点项目等资助。
论文链接：https://ieeexplore.ieee.org/abstract/document/10177777
https://www.sciencedirect.com/science/article/abs/pii/S1361841523001378
https://ieeexplore.ieee.org/document/10047962
https://ieeexplore.ieee.org/document/10054204
图1. 5倍加速重建结果
图2.测量噪声扰动下，4倍加速重建结果
图3.不同加速倍数下（R=11.26, 13.21）所提的SMART方法与其他主流方法的重建结果对比。
附件下载：