近日，福建省等离子体与磁共振重点实验室屈小波教授团队在医学图像顶级期刊《IEEE Transactions on Medical Imaging》上发表论文“One-dimensional Deep Low-rank and Sparse Network for Accelerated MRI”。该工作提出了一种基于一维可分低秩与稀疏学习的智能图像重建方法，可以大幅降低深度学习对训练样本的需求，实现多种训练与目标不匹配场景下（解剖方向、对比度、解剖部位）的毫秒级超快速鲁棒重建。

　　磁共振成像是临床诊断的重要工具，但数据采集时间较长。近年来，深度学习凭借高质量的信号恢复、超快速的重建速度已经在快速成像领域展现出惊人的性能，但仍然受到训练样本缺乏和鲁棒性不足等的限制。因此，设计深度学习算法，实现小样本训练和鲁棒成像，是该工作的主要出发点。

可分离的一维深度低秩与稀疏学习

　　根据磁共振采样模式，该工作提出了一种全新的可分离的一维学习方案，可实现超两个数量级的样本扩增，使深度神经网络更容易训练和泛化。进一步地，利用多线圈数据的低秩性和图像变换域的稀疏性，提出了网络参数少、内存高效的一维深度低秩稀疏网络。在多个实测商用多通道膝关节和大脑数据表明，该方法最少仅需4例训练数据，即可实现良好的图像伪影抑制和细节保留，并可在多种训练与目标不匹配场景（解剖方向、对比度、解剖部位）实现鲁棒重建。此外，该方法还适用不同的欠采样模板，并扩展实现各项同性三维成像8倍快速采集和单层毫秒级超快速重建，也为其他高维智能成像提供了一种高效的解决策略。