MRpro - open PyTorch-based MR reconstruction and processing package

📄 arXiv: 2507.23129v1 📥 PDF

作者: Felix Frederik Zimmermann, Patrick Schuenke, Christoph S. Aigner, Bill A. Bernhardt, Mara Guastini, Johannes Hammacher, Noah Jaitner, Andreas Kofler, Leonid Lunin, Stefan Martin, Catarina Redshaw Kranich, Jakob Schattenfroh, David Schote, Yanglei Wu, Christoph Kolbitsch

分类: eess.IV, cs.CV, physics.med-ph

发布日期: 2025-07-30

备注: Submitted to Magnetic Resonance in Medicine

💡 一句话要点

MRpro：基于PyTorch的开源磁共振重建与处理软件包，促进科研协作与可复现性。

🎯 匹配领域: 支柱一：机器人控制 (Robot Control)

关键词: 磁共振成像 图像重建 PyTorch 开源软件 深度学习 医学影像 可复现性 数据一致性

📋 核心要点

  1. 现有磁共振(MR)重建方法缺乏统一的数据结构和可组合的算子，限制了算法的灵活性和可扩展性。
  2. MRpro通过提供统一的数据结构、可组合算子库和优化算法，简化了MR重建流程，并支持深度学习方法。
  3. MRpro在多种MR应用中展示了其多功能性，包括不同轨迹的采集、运动校正、MR指纹识别和基于模型的图像重建。

📝 摘要（中文）

本文介绍MRpro，一个基于PyTorch和开放数据格式的开源图像重建软件包。该框架包含三个主要部分。首先，它为MR数据集及其相关元数据（例如，k空间轨迹）的统一操作提供统一的数据结构。其次，它提供了一个可组合的算子、可邻近泛函和优化算法库，包括用于所有常见轨迹的统一傅里叶算子和一个用于定量MR的扩展相位图模拟。这些组件用于创建关键重建算法的即用型实现。第三，对于深度学习，MRpro包括基本构建块，例如数据一致性层、可微优化层和最先进的骨干网络，并集成了公共数据集以方便重现性。MRpro作为一个协作项目开发，并由自动质量控制支持。我们展示了MRpro在多种应用中的多功能性，包括笛卡尔、径向和螺旋采集；运动校正重建；心脏MR指纹识别；学习的空间自适应正则化权重；基于模型的学习图像重建和定量参数估计。MRpro为MR图像重建提供了一个可扩展的框架。以可重复性和可维护性为核心，它促进了协作开发，并为未来的MR成像研究奠定了基础。

🔬 方法详解

问题定义：磁共振(MR)图像重建是医学成像中的关键步骤。现有的MR重建方法通常依赖于特定的硬件和软件平台，缺乏统一的数据结构和灵活的算法框架。这使得算法的开发、验证和共享变得困难，阻碍了MR成像技术的进步。此外，深度学习在MR重建中的应用也受到可复现性和可维护性问题的限制。

核心思路：MRpro的核心思路是构建一个基于PyTorch的开源MR重建和处理软件包，提供统一的数据结构、可组合的算子库和优化算法，以及深度学习的构建模块。通过这种方式，MRpro旨在简化MR重建流程，促进科研协作，并提高算法的可复现性和可维护性。

技术框架：MRpro框架包含三个主要模块：1) 统一的数据结构，用于处理MR数据集及其元数据；2) 可组合的算子、可邻近泛函和优化算法库，包括统一的傅里叶算子和相位图模拟；3) 深度学习的构建模块，如数据一致性层、可微优化层和骨干网络。这些模块可以组合使用，以实现各种MR重建算法。

关键创新：MRpro的关键创新在于其统一的数据结构和可组合的算子库。统一的数据结构使得不同类型的MR数据可以以一致的方式进行处理，而可组合的算子库则允许用户灵活地构建各种MR重建算法。此外，MRpro还集成了深度学习的构建模块，使得深度学习方法可以更容易地应用于MR重建。

关键设计：MRpro使用PyTorch作为其底层框架，利用PyTorch的自动微分功能和GPU加速能力。其统一的傅里叶算子支持各种k空间轨迹，包括笛卡尔、径向和螺旋轨迹。MRpro还提供了一系列优化算法，如共轭梯度法和ADMM。对于深度学习，MRpro提供了数据一致性层，用于将深度学习模型的输出与原始MR数据进行约束。

📊 实验亮点

MRpro在多种MR应用中进行了验证，包括笛卡尔、径向和螺旋采集的重建，运动校正重建，心脏MR指纹识别，以及基于模型的学习图像重建和定量参数估计。实验结果表明，MRpro能够有效地重建高质量的MR图像，并具有良好的可扩展性和可维护性。具体性能数据和对比基线未在摘要中明确给出，需要查阅原文。

🎯 应用场景

MRpro可应用于各种MR成像领域，包括临床诊断、医学研究和药物开发。它可以用于重建高质量的MR图像，提高诊断的准确性和效率。此外，MRpro还可以用于开发新的MR成像技术，如MR指纹识别和定量参数估计。该框架的开源特性促进了科研协作，加速了MR成像技术的创新。

📄 摘要（原文）

We introduce MRpro, an open-source image reconstruction package built upon PyTorch and open data formats. The framework comprises three main areas. First, it provides unified data structures for the consistent manipulation of MR datasets and their associated metadata (e.g., k-space trajectories). Second, it offers a library of composable operators, proximable functionals, and optimization algorithms, including a unified Fourier operator for all common trajectories and an extended phase graph simulation for quantitative MR. These components are used to create ready-to-use implementations of key reconstruction algorithms. Third, for deep learning, MRpro includes essential building blocks such as data consistency layers, differentiable optimization layers, and state-of-the-art backbone networks and integrates public datasets to facilitate reproducibility. MRpro is developed as a collaborative project supported by automated quality control. We demonstrate the versatility of MRpro across multiple applications, including Cartesian, radial, and spiral acquisitions; motion-corrected reconstruction; cardiac MR fingerprinting; learned spatially adaptive regularization weights; model-based learned image reconstruction and quantitative parameter estimation. MRpro offers an extensible framework for MR image reconstruction. With reproducibility and maintainability at its core, it facilitates collaborative development and provides a foundation for future MR imaging research.