摘要

本文介绍了一种基于深度学习的优化方法，用于加速基于质子共振频率（PRF）的磁共振（MR）热成像技术。该技术在聚焦超声（FUS）治疗中至关重要，特别是在需要快速且准确温度反馈的临床治疗中。论文提出了一种改进的深度学习方法，通过训练优化的神经网络模型，从欠采样的k空间数据中重建温度图，以提高动态MR温度图重建的时间分辨率。研究结果表明，该方法显著提高了MR热成像的准确性和效率，特别适用于临床上通过FUS进行的治疗，如子宫肌瘤、特发性震颤和前列腺癌的治疗。

原理

该论文的核心在于利用深度学习技术优化MR热成像的实时性和准确性。通过采用五种经典的神经网络模型（包括级联网络、复值U-Net、移位窗口变换器、实值U-Net和带有残差块的U-Net），并结合增强的训练模块（如离线/在线数据增强、知识蒸馏和幅度-相位解耦损失函数），实现了从欠采样的k空间数据中高效重建温度图。这些技术不仅提高了模型的泛化能力，还通过解耦幅度和相位信息，确保了温度测量的准确性。

流程

论文中的工作流程包括数据预处理、模型训练和温度图重建三个主要步骤。首先，通过离线和在线数据增强技术扩充训练数据集，增强模型的鲁棒性。接着，使用预训练的教师模型进行知识蒸馏，将知识传递给学生模型，以提高小模型的性能。最后，通过训练好的模型对欠采样的k空间数据进行重建，生成高精度的温度图。例如，在2倍加速场景下，使用ResUNet模型重建的温度图在幻影和离体测试数据集上的均方根误差（RMSE）分别为0.888°C和1.145°C。

应用

该研究提出的深度学习方法在MR热成像领域具有广泛的应用前景。特别是在需要实时温度监控的非侵入性手术治疗中，如聚焦超声治疗子宫肌瘤、特发性震颤和前列腺癌等。通过提高温度测量的速度和准确性，该技术有望显著提升治疗的安全性和有效性，为临床治疗提供更可靠的技术支持。