随着生成模型在医学影像领域的不断深入发展，如何将其与实际临床需求场景相结合，仍是科研界关注的热点。近日，中国科学院深圳先进技术研究院医学成像科学与技术系统全国重点实验室研究员朱燕杰等针对三维心脏成像加速瓶颈，创新性提出了一种结合自监督学习与生成扩散模型的重建方法（SSJDM），实现了在无需全采样标签监督的条件下对T1/T1ρ图像及其参数图的高质量重建。该成果发表在《IEEE医学影像汇刊》上。

心肌T1与T1ρ定量成像作为多参数心脏磁共振检查的重要组成部分，在评估心肌纤维化、炎症、脂质沉积等方面具有关键临床价值。然而，高质量三维多对比图像的采集普遍受限于长扫描时间、心脏运动伪影和训练样本稀缺性。

为解决以上问题，研究团队提出了的自监督扩散模型重建方法，首次融合贝叶斯神经网络与得分函数建模机制，实现了从欠采样k空间出发的自监督重建流程，有效降低对高质量全采样数据的依赖，极大提升了三维多对比度心脏磁共振成像的临床实用性。

与传统方法相比，该方法引入了多模态联合建模策略，通过在联合分布空间中学习得分函数，精准捕捉多对比图像间的结构一致性与特征互补性，在保持图像对比特征的同时实现了统一重建，确保了更高的解剖一致性与图像质量。

为了提升采样阶段的稳定性与表达能力，该方法中引入贝叶斯卷积网络预测图像分布的均值与方差信息，进一步通过郎之万动态采样实现了像素级的不确定性建模，有效提高模型鲁棒性与参数图的物理合理性。

在网络框架中，研究团队引入SPIRiT-POCS模型作为k空间一致性约束模块，保障生成图像在采样空间与实际观测数据之间的物理一致性，进一步增强了模型在高加速场景下的性能表现。

在公开的三维多对比心脏磁共振数据集上，SSJDM在14倍加速率下仍展现出清晰的结构边界、极低的伪影干扰以及优异的视觉质量。在定量指标方面，PSNR、SSIM等显著优于压缩感知、监督学习与现有自监督重建方法。临床专家评分显示，该方法具有更高的解剖辨识度和诊断可信度。迁移测试与消融实验进一步验证了模型的泛化性与关键模块有效性。

相关论文信息：https://pubmed.ncbi.nlm.nih.gov/40031249/