q3-MuPa: Quick, Quiet, Quantitative Multi-Parametric MRI using Physics-Informed Diffusion Models

📄 arXiv: 2512.23726v1 📥 PDF

作者: Shishuai Wang, Florian Wiesinger, Noemi Sgambelluri, Carolin Pirkl, Stefan Klein, Juan A. Hernandez-Tamames, Dirk H. J. Poot

分类: physics.med-ph, cs.AI, cs.CV

发布日期: 2025-12-19

💡 一句话要点

提出q3-MuPa：基于物理信息扩散模型的快速、静音、定量多参数磁共振成像方法。

🎯 匹配领域: 支柱四：生成式动作 (Generative Motion)

关键词: 定量磁共振成像 扩散模型 物理信息建模 MuPa-ZTE 快速成像 静音成像 脑部成像

📋 核心要点

  1. 传统qMRI扫描耗时较长，患者舒适度低，易受运动伪影影响，MuPa-ZTE序列虽能加速扫描，但重建质量仍有提升空间。
  2. 论文提出q3-MuPa，利用扩散模型学习MuPa-ZTE图像到qMRI图的映射，并融入物理信号模型作为数据一致性约束，提升重建质量。
  3. 实验表明，q3-MuPa在合成数据和真实数据上均表现出色，能生成高精度、低噪声、结构细节保留良好的3D qMRI图。

📝 摘要（中文）

本文提出了一种基于扩散模型的定量磁共振成像(qMRI)方法，该方法结合了深度生成模型和基于物理的数据一致性，以进一步提高成像性能。该方法能够实现额外的采集加速，从而可以通过四倍加速的MuPa-ZTE扫描（约1分钟）获得高质量的qMRI图。具体来说，我们训练了一个去噪扩散概率模型(DDPM)，将MuPa-ZTE图像序列映射到qMRI图，并将MuPa-ZTE正向信号模型作为推理过程中的显式数据一致性(DC)约束。我们将我们的映射方法与基线字典匹配方法和纯数据驱动的扩散模型进行了比较。扩散模型完全在从数字大脑体模生成的合成数据上进行训练，无需大型真实扫描数据集。我们在合成数据、NISM/ISMRM体模、健康志愿者和脑转移患者身上进行了评估。结果表明，我们的方法可以生成具有高精度、降低的噪声和更好结构细节保留的3D qMRI图。值得注意的是，尽管仅在合成数据上进行训练，但它很好地推广到了真实扫描。MuPa-ZTE采集和我们的物理信息扩散模型的结合被称为q3-MuPa，一个快速、静音和定量的多参数映射框架，我们的发现突出了其强大的临床潜力。

🔬 方法详解

问题定义：论文旨在解决快速、静音、高质量的多参数磁共振成像问题。现有的qMRI方法通常扫描时间长，患者舒适度差，且易受运动伪影影响。MuPa-ZTE序列虽然能实现快速静音扫描，但其重建质量仍有提升空间，尤其是在加速采集的情况下。

核心思路：论文的核心思路是利用扩散模型学习从MuPa-ZTE图像序列到qMRI参数图的映射，并结合物理信号模型作为数据一致性约束。通过扩散模型学习图像的先验知识，可以有效降低噪声，提升图像质量。而物理信号模型则保证了重建结果与实际物理过程的一致性。

技术框架：q3-MuPa框架主要包含两个阶段：训练阶段和推理阶段。在训练阶段，使用合成的MuPa-ZTE数据和对应的qMRI参数图训练一个去噪扩散概率模型(DDPM)。在推理阶段，将加速采集的MuPa-ZTE图像输入到训练好的DDPM中，并利用MuPa-ZTE正向信号模型作为数据一致性约束，迭代优化qMRI参数图。

关键创新：该方法最重要的创新点在于将深度学习方法（扩散模型）与传统的物理模型相结合。传统的qMRI重建方法主要依赖于物理模型，而深度学习方法则主要依赖于大量的数据。q3-MuPa通过将两者结合，既能利用深度学习强大的图像先验学习能力，又能保证重建结果的物理合理性。

关键设计：论文使用DDPM作为生成模型，并采用基于梯度的优化算法来实现数据一致性约束。具体来说，在每次迭代中，首先使用DDPM生成qMRI参数图，然后计算该参数图对应的MuPa-ZTE图像，并与实际采集的MuPa-ZTE图像进行比较，计算梯度，并更新qMRI参数图。损失函数包括扩散模型的损失和数据一致性损失。网络结构采用U-Net结构。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

实验结果表明，q3-MuPa在合成数据、NISM/ISMRM体模、健康志愿者和脑转移患者的真实数据上均取得了优异的性能。与基线方法（字典匹配）和纯数据驱动的扩散模型相比，q3-MuPa能够生成更高精度、更低噪声、结构细节保留更好的3D qMRI图。尤其值得一提的是，q3-MuPa仅使用合成数据进行训练，但仍能很好地泛化到真实数据。

🎯 应用场景

q3-MuPa在临床诊断和研究中具有广泛的应用前景。它可以用于快速、静音地获取患者的脑部qMRI参数图，提高患者的舒适度和依从性，减少运动伪影。此外，q3-MuPa还可以用于脑部疾病的早期诊断、疗效评估和个性化治疗方案制定。未来，该方法有望推广到其他器官和组织的qMRI成像。

📄 摘要（原文）

The 3D fast silent multi-parametric mapping sequence with zero echo time (MuPa-ZTE) is a novel quantitative MRI (qMRI) acquisition that enables nearly silent scanning by using a 3D phyllotaxis sampling scheme. MuPa-ZTE improves patient comfort and motion robustness, and generates quantitative maps of T1, T2, and proton density using the acquired weighted image series. In this work, we propose a diffusion model-based qMRI mapping method that leverages both a deep generative model and physics-based data consistency to further improve the mapping performance. Furthermore, our method enables additional acquisition acceleration, allowing high-quality qMRI mapping from a fourfold-accelerated MuPa-ZTE scan (approximately 1 minute). Specifically, we trained a denoising diffusion probabilistic model (DDPM) to map MuPa-ZTE image series to qMRI maps, and we incorporated the MuPa-ZTE forward signal model as an explicit data consistency (DC) constraint during inference. We compared our mapping method against a baseline dictionary matching approach and a purely data-driven diffusion model. The diffusion models were trained entirely on synthetic data generated from digital brain phantoms, eliminating the need for large real-scan datasets. We evaluated on synthetic data, a NISM/ISMRM phantom, healthy volunteers, and a patient with brain metastases. The results demonstrated that our method produces 3D qMRI maps with high accuracy, reduced noise and better preservation of structural details. Notably, it generalised well to real scans despite training on synthetic data alone. The combination of the MuPa-ZTE acquisition and our physics-informed diffusion model is termed q3-MuPa, a quick, quiet, and quantitative multi-parametric mapping framework, and our findings highlight its strong clinical potential.