摘要
心脏磁共振成像(CMRI)作为一种非侵入式的医学成像技术，不仅能够提供心脏结构和功能等全方位信息，其组织学特征还能够实现病理影像化，在心脏疾病诊断、预后和危险分层方面发挥重要作用。然而，CMRI需要获取高时空分辨率、不同对比度以及全心脏覆盖的图像，导致其采集时间过长。此外，由于受到呼吸运动和心脏自身跳动的双重影响，成像过程中可能会引入伪影、模糊等问题。因此，加快成像速度，减轻或消除运动对成像结果的影响，是高质量CMRI的关键。 近年来，深度学习方法通过卷积神经网络等结构从大量的图像数据中学习先验信息，能够解决多种图像处理问题。由于有监督模型只针对特定任务发挥效用，缺乏一定的通用性和鲁棒性，本研究提出了一种基于梯度域无监督深度学习的心脏磁共振重建模型(UDLGD)，通过条件噪声分数匹配网络得到心脏动态数据的深度生成先验，然后将其与传统的全变分稀疏约束相结合，以获得良好的重建效果。具体而言，首先对全采样的心脏电影序列应用梯度变换和通道融合策略，以减少数据维度并挖掘其稀疏特性。然后通过生成网络拟合动态数据分布的梯度，即获取深度生成先验信息。最后在深度生成先验、全变分稀疏以及欠采样数据的共同约束下，利用退火的朗之万动力学采样法和三步交替最小化方法，使随机高斯噪声逐步逼近原始的心脏动态图像。 本研究提出的UDLGD模型使用无监督生成网络估计数据分布的梯度信息，充分利用了心脏电影序列的时空相关性，并将深度生成先验与传统的稀疏算法相结合，构建了全新的稀疏性约束。与多种经典的心脏磁共振重建方法相比，UDLGD模型在改善视觉效果和减少细节误差方面表现优异，加快了成像速度，显著提升了重建质量。
NETL