课程项目 / 医学影像
基于欠采样数据的多对比度 MRI 重建
一个关于多对比度 MRI 加速重建的 BME1312 课程项目，结合多模态结构先验与 unrolled deep reconstruction。
上海科技大学课程项目
BME1312
项目概览
本课程项目研究基于深度学习的多对比度 MRI 加速重建问题。项目首先实现了以 U-Net 为基础的单模态 T2 重建模型，随后进一步构建了多模态 unrolled reconstruction framework，利用 fully sampled T1 图像作为解剖结构先验来辅助 undersampled T2 图像重建。方法结合特征融合、迭代式 data consistency、wavelet loss 与 perceptual loss，以提升重建图像的定量指标与视觉质量。
摘要
- 临床 MRI 采集时间较长，因此加速采集具有实际研究意义。
- k-space 欠采样可以缩短采集过程，但会在重建图像中引入 aliasing artifacts。
- 项目基于 BraTS 数据模拟欠采样 MRI 重建，并尝试恢复高质量 T2 图像。
- 整体流程从单模态 U-Net baseline 扩展到 T1 引导的多模态 unrolled reconstruction network。
方法设计
基于深度学习的 MRI 加速重建课程项目，涉及 U-Net baseline、多模态融合、unrolled data consistency、wavelet loss 与 perceptual objectives。
方法
U-Net Baseline
- 针对 undersampled input 进行单模态 T2 重建。
- 采用带 skip connections 的 encoder-decoder 架构。
- 以 L2 / MSE objective 作为初始重建 baseline。
方法
Multi-modal Unrolled Reconstruction
- 利用 fully sampled T1 图像作为解剖结构先验。
- 通过特征融合辅助 undersampled T2 图像重建。
- 在迭代式重建过程中加入 k-space data consistency。
方法
Perceptual and Frequency-aware Objectives
- 使用 wavelet loss 强化高频结构恢复。
- 使用 perceptual loss 提升 feature-level fidelity。
- 使用 DISTS 与 LPIPS 补充 PSNR 和 SSIM 的评价局限。
方法亮点
- 模拟基于 undersampled k-space data 的 MRI 加速重建任务。
- 实现了用于单模态 T2 重建的 U-Net baseline。
- 构建了利用 fully sampled T1 guidance 的多模态 unrolled reconstruction network。
- 加入 data consistency layers，在迭代重建中约束 k-space fidelity。
- 探索 wavelet loss 与 perceptual loss，以减少过度平滑并改善高频细节恢复。
- 使用 PSNR、SSIM、LPIPS 与 DISTS 对重建质量进行评估。
- 通过 pixel-shift experiment 分析 PSNR 的局限性。
实验结果
与 U-Net baseline 相比，提出的多模态 unrolled reconstruction framework 在 PSNR、SSIM、LPIPS 和 DISTS 上均有提升，说明其在 pixel-level fidelity、结构一致性与感知重建质量方面表现更好。
视觉展示
精选课程报告中的整理后图示，用于展示数据处理、模型结构与实验分析。
我的参与
我在该团队课程项目中参与了深度 MRI 重建流程的实现与分析，对 baseline 与 advanced reconstruction model 进行了实验比较，并使用多种重建指标进行评估，同时参与了最终报告中的实验结果整理与可视化分析。
课程背景
该项目完成于上海科技大学 BME1312: Applications of Artificial Intelligence in Medical Imaging 课程。网页中不会公开展示其他组员的学号或个人邮箱。
后续改进方向
更好的 edge-aware constraints。
更稳健的多模态 registration。
更强的 frequency-domain modeling。
在更广泛的临床数据集上进行验证。