通过将物理模型与神经网络相结合来改进医学影像重建

主要适用于以下领域：

磁共振成像（MRI）设备制造商

影像重建

医学工程

对于患有心脏病的患者来说，磁共振成像可以确定心脏的泵血能力等参数。然而，这种方法有一个缺点：数据采集非常耗时。德国联邦物理技术研究院（PTB）把物理模型与神经网络结合，开发出一种程序，这种程序只需要少量测量数据（因此只需很短的测量时间）即可获得心动周期各阶段的高质量影像。

磁共振成像 (MRI) 扫描仪通过高频辐射激发体细胞中的水分子，然后测量衰减的磁化强度。由于空间编码，测量数据可在傅里叶（Fourier）空间中获取，然后从中计算诊断影像。这个影像的重建过程需要描述成像过程的物理模型。利用迭代重建程序，可以在尽可能短的测量时间内获得尽可能多的诊断信息。基于先前的知识（例如，空间平滑度），已经可以仅从几个测量点就能计算出高质量的影像。神经网络可以从数据中学习这些先前的知识，并使其适应重建的问题。

心动周期某一阶段的心脏 MR 影像。左：直接从测量数据重建的影像；中：使用最近开发的方法得到的结果；右：参考影像。参考影像所需的测量时间是新方法的六倍以上。

PTB专门开发了一个迭代网络来重建动态心脏影像。在训练阶段，这个过程结合了用于成像的物理模型和先前关于网络学习的影像数据结构的知识。心脏功能的 MR 影像随后会显示心动周期不同阶段的心脏状况。可以使用数据的这个时间分量来确保训练的最佳效率。

这种方法可应用于心脏病患者，然后进行评估。它还与传统的迭代重建程序以及其它的机器学习方法进行了比较。由此开发出的网络获得了比传统方法更好的结果（信噪比达 6 dB，相对误差达–47 %）。此外，这种网络产生的结果类似于通过同样基于神经网络的另一种方法获得的结果。另外，PTB 的程序仅使用 10% 的可训练参数就能够做到这一点，这证明了这种新方法的鲁棒性和效率。