qMRI Diffusor: Quantitative T1 Mapping of the Brain using a Denoising Diffusion Probabilistic Model

本研究介绍了一种新的量化MRI（qMRI）方法，名为qMRI Diffusor，利用深度生成模型实现。相较于加权图像，qMRI提供了与组织特性相关的客观参数，而基于深度学习的方法已经证明了在从一系列加权图像中估计定量图方面的有效性。具体而言，本研究在脑部实现了去噪扩散概率模型（DDPM）以实现T1定量，并将定量图的估计框架作为条件生成任务。本文提出的方法与残差神经网络（ResNet）和循环推理机（RIM）在幻像和体内数据上进行了比较。结果表明，我们的方法在参数估计的准确性和精度方面均有所提高，并具有更好的视觉表现。此外，我们的方法本质上包含随机性，使得不确定性的量化变得简单。因此，本研究提出的方法在定量MR映射方面具有重要的前景。

本文试图通过使用深度生成模型来解决定量MRI（qMRI）中的T1定量问题，同时还能够量化不确定性。

本文使用了基于去噪扩散概率模型（DDPM）的条件生成任务来实现T1定量。相比于当前领域的研究，本文的方法在参数估计的准确性、精度和视觉表现方面都有所提高。

本文的方法在干扰因素较多的实验中表现出了较好的鲁棒性，并且能够量化不确定性。此外，本文还与ResNet和RIM进行了比较，证明了其优越性。本文使用了模拟数据和真实数据进行了实验，并且提供了开源代码。

近期相关研究包括：1. “Deep learning-based quantitative MRI: a review of recent progress”；2. “Quantitative MRI using artificial intelligence”；3. “Deep learning for MR image reconstruction: An overview of current techniques and applications”