新芽专题介绍：心脏磁共振重建

Tue, 16 Sep 2025 01:48:00 +0000

此专题由非南开大学老师发布，选修南开大学 2025 秋《人工智能实践课 - 初级》课程的同学请勿选择此专题。非本课程选修同学可自由选择。

一、专题介绍

1.1 研究背景

心脏磁共振成像（CMR）是心血管疾病诊断的金标准，但受限于磁共振物理采样定律，获取高时空分辨率图像通常需要漫长的扫描时间，导致患者憋气困难并产生运动伪影。为加速成像，欠采样（Under-sampling） 技术被广泛应用，但其导致的病态逆问题会使重建图像出现严重的混叠伪影。传统的并行成像（PI）与压缩感知（CS）方法在高加速因子下易出现图像过度平滑且计算开销巨大。近年来，深度学习（Deep Learning）通过级联卷积网络或生成对抗网络，能够从海量数据中自动学习复杂的时空先验特征，结合数据一致性（Data Consistency） 约束，实现了在极短时间内从欠采样数据中恢复高质量、高保真度心脏动态图像的目标。

1.2 研究意义

CMR重建通常指从加速采集的欠采样k空间数据中重建完整图像，以减少扫描时间。然而，能否高效准确地重建这些"欠缺"的数据，直接关系到：

临床诊断与治疗：缩短扫描时间，减少患者不适，提升心脏病早期检测能力。
科研与创新：应用于实时心脏成像、胎儿心脏评估、多对比度成像等领域。
技术推动：促进欠采样信号恢复、深度学习重建算法、跨域泛化等关键技术的发展。

因此，这一研究主题不仅意义重大，而且是深度学习、图像重建与医学影像领域的一个典型研究案例，非常适合作为本科生进入科研领域的启蒙训练。

▲ 一个典型的 CMR 重建全链路流程：该图展示了从数据采集到模型部署的完整生命周期。在数据准备阶段，原始全采样 k 空间数据被人工回溯性欠采样，生成带有相干伪影的“混叠图像”作为输入。在模型训练阶段，采用生成对抗网络（GAN）架构：生成器负责将欠采样图像映射回高清图像，判别器则通过真伪对比强化细节恢复。最终，模型部署阶段将训练好的权值应用于临床实时扫描，实现从稀疏采集数据到高保真心脏解剖结构的快速转化。（图片来源：MDPI Applied Sciences 2023）

1.3 当前主要挑战

尽管方向重要，但实现CMR重建仍然面临多重挑战：

挑战一：欠采样导致伪影，信号丢失严重
- 加速采集时，k空间数据欠采样，导致图像模糊、伪影和细节丢失。
- 信噪比低，尤其在动态心脏成像中，运动进一步复杂化重建。
- 随着更高加速率的需求，重建难度指数级增加。
挑战二：心脏动态复杂，域移问题突出
- 真实临床场景下，心脏运动、呼吸伪影等干扰因素众多，影响重建稳定性。
- 不同扫描仪、协议或患者间的域移，导致模型泛化差。
挑战三：计算资源有限，实时性要求高
- CMR数据体量巨大，重建需处理高维动态序列。
- 临床应用中，计算速度成为瓶颈。
- 移动或低端设备上，资源受限，难以部署复杂模型。

综上，CMR重建技术仍在探索突破阶段，相关指标不如常规图像重建领域，这是一个很好的学习窗口：既能接触实际需求，又能跟随前沿研究。

二、学习资料与参考文献

为了引导新芽学子逐步进入研究，本专题结构分为以下四部分：

2.1 基础教材与学习材料

在开始探险之前，你需要掌握一些基础的"内功心法"，这些是后续一切学习的基石。以下是你可以使用的一些书籍/教程：

李沐《动手学深度学习》——适合中文初学者的深度学习教材，以及课程系列视频
《Deep Learning》（Ian Goodfellow 等）——深度学习入门经典教材
PyTorch 官方教程，也可以使用 PyTorch 中文文档
《Pattern Recognition and Machine Learning》（Christopher M. Bishop）——机器学习原理入门（难度不小）

此外，你也可以使用一些入门工具：

Google Colab：免费云平台，不用安装软件，就能跑PyTorch代码。
Kaggle平台：免费数据集和竞赛

Tips：务必摆脱所有基础都打好后，再进行下一阶段学习的心态，在干中学，遇到不明白的再回溯补基础。

2.2 入门文献（MRI重建经典方法）

学生第一阶段的阅读训练，可帮助理解MRI重建/压缩感知/并行成像这一通用方向。仅用于入门，不可选择此部分文献汇报。

SENSE: Sensitivity Encoding for Fast MRI (MRM 1999)
GRAPPA: Generalized Autocalibrating Partially Parallel Acquisitions (MRM 2002)
Compressed Sensing MRI: Sparse MRI: The Application of Compressed Sensing for Rapid MR Imaging (MRM 2007)
k-t BLAST: k-t BLAST and k-t SENSE: Dynamic MRI with High Frame Rate Exploiting Spatiotemporal Correlations (MRM 2003)
Iterative Reconstruction: Regularization Parameter Selection for Nonlinear Iterative Image Restoration and MRI Reconstruction Using GCV and SURE-Based Methods (IEEE Transactions on Image Processing, 2012)
Low-Rank Models: Low-rank modeling of local k-space neighborhoods (LORAKS) for constrained MRI (IEEE TMI 2014)
ADMM for MRI: An Efficient ADMM-Based Sparse Reconstruction Strategy for Multi-Level Sampled MRI (IEEE ISBI 2015)
Wavelet-Based CS: Compressive Sensing MRI with Wavelet Tree Sparsity (NeurIPS 2012)
Parallel Imaging Review: Parallel Magnetic Resonance Imaging (arXiv 2015)
Dynamic MRI: Golden-Angle Radial Sparse Parallel MRI (MRM 2014)

2.3 进阶文献（MRI重建前沿方法）

学生可在此部分选择进阶文献进行专题汇报，或自行查找最新的同类重要文献。

Deep Cascade: A Deep Cascade of Convolutional Neural Networks for Dynamic MR Image Reconstruction (arXiv 2017)
MoDL: Model-Based Deep Learning Architecture for Inverse Problems in Imaging (IEEE TMI 2018)
DAGAN: Image Synthesis for Data Augmentation in MRI Reconstruction (arXiv 2018)
E2E-VarNet: End-to-End Variational Networks for Accelerated MRI Reconstruction (MICCAI 2020)
Unrolled Networks: Deep Unrolled Reconstruction Networks for MRI (arXiv 2019)
Score-Based Generative: MRI Reconstruction with Side Information using Diffusion Models (arXiv 2023)
Stable Deep MRI: Stable Deep MRI Reconstruction using Generative Priors (arXiv 2022)
Quantitative MR: Machine Learning for Quantitative MR Image Reconstruction (arXiv 2024)
Guided Reconstruction: Guided MRI Reconstruction via Schrödinger Bridge (arXiv 2024)
Transform Learning: Transform Learning for Magnetic Resonance Image Reconstruction (arXiv 2019)

2.4 心脏磁共振重建领域相关文献

结合本专题的研究背景，逐渐引导学生进入心脏磁共振重建。学生可在此部分选择进阶文献进行专题汇报，或自行查找最新的同类重要文献。

CMR重建可分为静态重建、动态重建和多对比度重建。

静态重建

GENRE-CMR: Generalizable Deep Learning for Diverse Multi-Domain Cardiac MRI Reconstruction (arXiv 2025)
HierAdaptMR: Cross-Center Cardiac MRI Reconstruction with Hierarchical Adaptation (arXiv 2025)
UPCMR: A Universal Prompt-guided Model for Random Sampling Cardiac MRI Reconstruction (arXiv 2025)
All-in-one CMR: An All-in-one Approach for Accelerated Cardiac MRI Reconstruction (arXiv 2024)
Deep ADMM CMR: Deep Cardiac MRI Reconstruction with ADMM (arXiv 2023)

动态重建

Fetal CMR: The Challenge of Fetal Cardiac MRI Reconstruction Using Deep Learning (arXiv 2023)
From 2D to 3D: From 2D to 3D, Deep Learning-based Shape Reconstruction in Cardiac MRI (arXiv 2025)
Multi-contrast CMR: Deep Multi-contrast Cardiac MRI Reconstruction via vSHARP with Multi-Contrast Attention (arXiv 2024)

多对比度重建

Quality-aware Framework: A Deep Learning-based Integrated Framework for Quality-aware Undersampled Cine Cardiac MRI Reconstruction and Analysis (arXiv 2022)
State-of-the-art CMR: The State-of-the-art in Cardiac MRI Reconstruction (arXiv 2024)

三、结语与期望

“新芽计划"的初衷是点燃新芽学子对未知探索的热情，并为大家提供一片成长的沃土。心脏磁共振重建是一个充满挑战与机遇的领域，它既是临床需求的"硬骨头”，也是学术创新的"试金石"。希望通过这个专题，新芽学子不仅能学到前沿的 AI 知识，更能培养出独立思考、动手实践和解决复杂问题的能力。

我们热切期待，在最终的汇报中，能看到大家闪耀着智慧火花的解读与创见！

Lichengkang | GrokCV