定量磁共振成像(Quantitative Magnetic Resonance Imaging, qMRI)可以获得多种人体组织的参数图像，近年来逐渐被应用于对临床疾病进行精准医疗和疾病量化分析。 然而，目前qMRI仍然存在瓶颈问题：①因为采集时间过长，导致成像易受患者运动干扰；②因为图像质量不足，导致还未仍未实现大规模的临床应用。针对这些瓶颈问题，中国科学院深圳先进技术研究院劳特伯生物医学成像研究中心的研究团队在定量磁共振成像领域先后获得多项研究进展，包括定量指纹成像的字典模型优化、定量指纹成像的高精度图像重建、快速定量参数成像等研究成果分别发表在Journal of Magnetic Resonance, IEEE Transactions on Medical Imaging和IEEE Transactions on Biomedical Engineering等磁共振成像领域内知名期刊上。 

　　研究团队在定量磁共振指纹成像（Magnetic Resonance Fingerprinting，MRF）的字典模型生成及匹配方面取得了新进展。团队在领域内首先将分数阶的概念引入MRF技术，并在字典生成部分利用分数阶布洛赫方程（Bloch equations）生成字典条目的方法（SHIFT）扩展了传统字典，然后通过提出自适应的模式识别匹配方案进行字典匹配，最终改善了在体T1 和T2定量参数图像估计，显著减小了MRF与传统技术所得定量参数图像的差异（如图1所示）。相关研究工作获得了浙江大学光电科学与工程学院叶慧慧讲师的协助，在磁共振领域知名期刊Journal of Magnetic Resonance上发表题为"Quantitative MR relaxation using MR fingerprinting with fractional-order signal evolution"(DOI: 10.1016/j.jmr.2021.107042)的研究成果。 

　　研究团队在定量磁共振指纹成像的高精度图像重建方面也取得了新的研究进展。该研究针对指纹成像的数据采集过程中因为采用欠采样技术导致的重建数据中存在严重伪影问题，提出了一种基于结构化低秩矩阵恢复与子空间投影（SL-SP）的磁共振指纹重建算法，从高度欠采样且受噪声污染的傅里叶系数中恢复磁共振指纹时空数据并实现参数图的高精度图像重建。另外，还提出了一个对模型失配和噪声具有鲁棒性的两步图像重建框架：在框架的第一阶段，将数据恢复问题转化为以结构化低秩作为约束的凸优化问题来重构时空矩阵；在第二阶段，提出了利用投影算子将时空矩阵投影到字典空间中，充分利用字典先验信息，进一步提高参数估计的准确性（如图2所示）。实验结果表明：所提出的算法在定量磁共振指纹序列的图像重建方面显示出显著改进，并且可以提供更准确的PD、T1和T2定量参数图像。相关研究工作是与哈尔滨工业大学电子与信息工程学院胡悦副教授开展合作，在医学成像领域知名期刊IEEE Transactions on Medical Imaging上发表题为"High-Quality MR Fingerprinting Reconstruction Using Structured Low-Rank Matrix Completion and Subspace Projection"（DOI：10.1109/TMI.2021.3133329)的研究成果。 

　　另外，研究团队最近还开展了关于快速定量磁共振参数成像的研究。在利用稀疏性加速定量磁共振参数成像的时候，由于其稀疏表示能力有限，细节混有噪声和伪影，在非线性滤波时会同时被滤除，导致加速度较大时模糊和细节丢失。针对这个问题，研究团队提出了基于非线性流形学习和正则化原像约束的快速定量磁共振参数成像算法。该方法创新性地假设待重建的图像是在高维欧几里得空间中稀疏采样的低维流形，并通过使用核函数和稀疏编码技术将图像重建问题转化为高维欧氏空间中流形结构的嵌入映射问题，最终利用正则化约束技术从高度欠采样和噪声污染的K空间数据中精确重建定量磁共振图像。这一成果率先将基于压缩感知（Compressed Sensing，CS）理论的经典快速定量磁共振参数成像方法从线性空间扩展到非线性空间，有效保护了高加速倍数下重建定量磁共振参数图像的细节特征。实验结果表明：所提出算法不仅能够提供清晰的解剖结构，而且有效地提高了在体T2定量参数图像的估计精度，为快速定量磁共振参数成像提供了一种有效的解决策略（如图3所示）。相关研究工作是与香港养和医院研究部研究主任周谊航博士开展合作，在生物医学工程领域知名期刊IEEE Transactions on Biomedical Engineering上发表题为"Accelerating MR Parameter Mapping Using Nonlinear Compressive Manifold Learning and Regularized Pre-Imaging"（DOI：10.1109/TBME.2022.3158904)的研究成果。 

　　上述研究工作获得了国家自然科学基金、中国科学院先导专项、广东省珠江人才项目、深圳市孔雀团队项目、深圳市基础研究重点项目等资助。 

　　论文1链接：https://doi.org/10.1016/j.jmr.2021.107042 

　　论文2链接：https://doi.org/10.1109/TMI.2021.3133329  

　　论文3链接：https://doi.org/10.1109/TBME.2022.3158904