0 引言

       磁共振成像（magnetic resonance imaging, MRI）作为现代医学影像学的核心技术之一，凭借卓越的软组织对比度和无电离辐射等特性，已成为临床诊疗中不可或缺的工具。但在MRI过长的扫描时间中^[1]，患者的自主或非自主运动都可能导致图像中产生运动伪影而影响图像的质量和诊断的准确性^[2]。据统计，临床中有7.9%的序列可因运动伪影降低可解释性，2.0%的序列因运动伪影导致图像无法诊断^[3]，且该问题在儿童、老年和神经精神疾病患者等人群中^{[4, 5]}尤为严重。运动伪影的复杂性体现在运动类型的多样性（呼吸、心跳、随意运动等）和伪影表现的多样性（模糊、重影、条纹状伪影等）^[6]。传统运动伪影校正方法如硬件辅助和参数优化等，虽可在特定场景下取得一定成效，但在面对复杂、不可预测的运动模式时，其校正能力仍存在显著局限^[7]，且往往需要在图像质量、扫描时间和成本等方面做出妥协。

       近年来，深度学习（deep learning, DL）的发展为这一领域带来了革命性变革。它能够在没有掌握完整分析模型的情况下展现出强大的特征识别能力及处理复杂运动模式的潜力^[8]，为运动伪影校正提供了全新的技术范式。此前已有多项研究显示，经DL算法处理后的图像结构相似性（structural similarity, SSIM）指数和峰值信噪比（peak signal-to-noise ratio, PSNR）显著提高，表明DL能够有效减少运动伪影并改善图像质量^{[9, 10]}。另有一项系统性文献综述也提示，包括U-Net、生成对抗网络（generative adversarial network, GAN）、变分自动编码器 （variational autoencoder, VAE）和Transformer模型等策略在内的DL技术更是能提高不同核磁设备、扫描协议、设置方案以及不同成像中心采集的协调性和归一性^[11]，大大改善了医学成像研究中的差异性和泛化能力等问题。当前已有大量关于DL应用于MRI运动伪影校正的技术或研究，但是缺乏对这些研究的系统梳理和逻辑总结，尽管已经有一些综述性研究回顾了较多相关研究并对该领域的进一步发展提供了参考，但这些综述仍存在对经典案例解释不够详细、不同方案和架构之间共同点和创新点讨论不足，梳理逻辑或设置的研究场景较为单一等不足^{[12, 13, 14]}。由此，本文系统回顾了MRI运动伪影校正领域中传统方法与DL方法的发展历程，总结了当前DL伪影校正技术的主要网络架构特征，并在分析现有研究局限性的基础上，重点梳理了该领域不同研究方向的演进脉络，阐明了代表性研究之间的内在关联及其创新点。同时，本文对MRI运动伪影校正技术的未来发展趋势进行了展望，旨在为MRI技术的持续创新及其在医学临床中的应用提供参考。

1 MRI运动伪影的物理机制

       MRI运动伪影来源于k空间数据采集过程中信号相位编码的时空不一致性。运动伪影更容易发生在相位编码（phase encodings, PE）而非频率编码（frequency fncodings, FE）的方向上，其原因是在MRI中PE持续数百和数千毫秒，而FE仅为数十毫秒^[15]。从运动模式上可将运动分为刚体运动和可变形非刚体运动：前者指头部或肢体的平移和旋转，后者则涉及更为复杂的结构形变^[13]。按来源又可分为生理性和病理性运动：生理性运动包括呼吸、心搏及血管搏动等非随意运动，以及头部与肢体等随意运动，病理性运动包括静止性震颤、肌阵挛、癫痫发作等。不同运动具有特定的频率特征和空间分布模式，在k空间形成不同数据污染模式，如周期性运动表现为k空间中心区域的条纹状干扰，而随机运动则呈现为全k空间的弥散性噪声。这些特征差异为各类运动伪影识别或校正方案的开发提供了重要依据。

2 传统伪影校正方法及其局限性

2.1 基于硬件的处理方法

       基于硬件的处理策略指通过改进扫描设备或增加辅助装置来前瞻性地减少运动影响，如使用呼吸/心电门控、外部光学或电磁追踪系统等^{[16, 17, 18]}，其优势在于可直接从数据采集环节减少伪影的产生，即在扫描过程中实时监测患者运动并对采集过程做出调整和补偿。早在20世纪80年代，BAILES等^[19]和RUNGE等^[20] 就通过外部数据采集设备获取完整呼吸周期的运动相位编码信息，然后使用呼吸运动补偿减少呼吸运动伪影。但该类方案的局限性也较为明显：首先，硬件改造往往需要昂贵的设备升级成本，这在临床普及中存在较大障碍；其次，这些方法通常仅针对特定类型的简单运动而设计，对复杂的运动模式可能缺乏普适性；再者，硬件解决方案难以应对不可预测的随机运动（如患者突发咳嗽或抽搐），且可能延长扫描时间。总之，单纯依赖硬件改进的前瞻性伪影校正措施在应对复杂运动场景时效果有限，特别是在儿科或神经精神疾病患者等难以保持静止的特殊人群中。

2.2 基于信号处理的方法

       基于信号处理的策略为通过调整信号采集方式或对运动模式进行估计从而有针对性地消除运动造成的影响，如快速成像技术和运动参数估计等。这些方法可在不添加额外运动监测设备的情况下减少运动伪影，但仍各有缺陷。

       快速成像技术如并行成像旨在通过减少k空间采样并结合重建算法来缩短采集时间，从而降低运动发生概率。并行成像可同时使用多线圈采集不完整的k空间数据，再利用灵敏度编码等方法重建全采样图像，但在高加速因子下可能出现g因子放大导致的信噪比（signal-to-noise ratio, SNR）下降与可靠性不足等问题^[21]。此外，周期性旋转重叠平行线增强重建（periodically rotated overlapping parallel lines with enhanced reconstruction, PROPELLER）技术通过blade式非笛卡尔采样，以绕k空间旋转的同心平行线进行重复采样，从而修正空间变化并最终减少运动伪影。PIPE等^[22]指出中心区域信息可用于估计并校正平面内刚体位移与旋转，并进一步处理运动导致的相位不一致，同时可通过相关性策略一定程度上抑制层面外运动对成像的影响。在此基础上，PIPE团队又进一步在志愿者头部运动试验中进行双盲对照评估，对所有blade的位移（用于旋转/平移估计）进行联合位移估计，从而降低噪声与参考选择带来的不稳定性，展示出较强的鲁棒性^[23]。但PROPELLER仍有获取时间增加的缺陷，其平均获取时间可达19 min 18 s^[24]，且它还可能引起条纹伪影等问题^[25]。

       而对于运动参数估计，其核心问题在于准确性严重依赖数学模型假设，当实际运动偏离模型时校正效果显著下降，且大多数算法需要预先知晓或准确估计运动参数，这在动态器官成像中尤为困难。同时，在高加速或欠采样条件下的图像重建可能会引起图像质量的恶化：噪声放大、残余混叠以及模型失配更容易被放大并以伪影形式表现出来，从而限制了校正效果与可重复性。导航回波（navigator echoes）通常也被归入信号采集与重建策略的一部分，它通过在采集过程中插入额外的导航信号来估计位移或相位变化并在重建时进行补偿。其优点是无需外部传感器，但仍会增加额外的采集成本，且其性能受限于导航的时间分辨率与运动模型假设。

       在多次激发的弥散加权成像（diffusion weighted imaging, DWI）中，血液或脑脊液搏动等细微生理运动会导致shot-to-shot间产生可呈非线性的相位不一致，若直接合并k空间会出现明显ghosting鬼影或混叠伪影。CHEN等^[26]在并行成像框架下，利用多线圈灵敏度信息对各shot进行重建并估计相位，再进行相位对齐融合，从而在无需导航回波的情况下实现校正，但其效果依赖灵敏度估计与各shot重建质量，在强加速、低SNR或复杂相位时可能残留伪影。而GUO等^[27]则不采用“先估相位再重建”的分步流程，而是把相位与DWI图像幅度同时作为未知量，在POCS框架下迭代交替更新，提升相位不稳定场景下的鲁棒性，但其 迭代计算开销较大，且对正则化或初始化较敏感，可能影响收敛与细节保真。

2.3 基于图像后处理的方法

       图像后处理的方法指对采集到的k空间数据进行补偿修正或直接在图像域对采集图像进行运动伪影校正，通过算法模型对k空间或图像进行分析和修复，以去除运动伪影^[28]。相较于采集阶段介入的校正策略，图像后处理方法在应用上表现出更高的灵活性和兼容性，该方法可适用于多种MRI采集序列，同时避免了重采样过程，不依赖外部传感器，且无需对原始采集序列进行修改^[29]。然而运动可能会导致采集过程出现数据采样不完整或失真的情况，且后处理的本质也决定了其需要应对k空间缺失信息无法恢复的问题^[30]，校正效果存在理论上限。且多数方法需要高质量参考图像或严格的运动模式假设，在实际应用中易受个体差异影响。此外，后处理方法通常需要额外的计算资源和时间，难以满足临床实时性应用的需求。因此，尽管这些方法在某些情况下能够改善图像质量，但仍无法满足全场景和实时运动校正的需求。

3 DL运动伪影校正的技术演进与架构分析

3.1 DL伪影校正技术发展历程与关键突破

       DL在MRI运动伪影校正领域的应用经历了从探索期（2018至2019年）到转化期（2024年至今）的快速发展。在2018年，首次有研究者将卷积神经网络（convolutional neural network, CNN）应用于运动伪影校正，开创了新的技术路径^[31]。随后GAN架构的引入在生成更逼真的无伪影图像方面取得了突破性进展，并显著改善了图像的PSNR和SSIM^{[32, 33]}。此后在利用循环神经网络（recurrent neural network, RNN）减少MRI运动伪影的研究中，双向卷积长短记忆和多尺度卷积被用于提升模型的性能^[34]。2021年，研究开始探索将注意力机制融入网络，提高了校正的针对性和精度^[35]。2023年，Transformer架构凭借其强大的全局建模能力，在处理复杂运动模式方面展现出巨大潜力^[36]。近年来的技术发展和突破还体现在从简单2D图像处理发展到复杂3D体积数据处理，从小规模单中心数据扩展到大规模多中心数据集，从基础网络架构演进到包含注意力机制、自监督学习等先进技术的综合解决方案。

       基于上述技术演进脉络，DL运动伪影校正方案的关键差异不仅体现在网络结构，更涉及对运动退化过程的建模假设、数据获取方式以及训练监督信号的设计。故有必要系统梳理不同经典范式的技术特点与适用边界，尤其需要分析它们的研究逻辑和创新性。

3.2 关键模型技术回顾与分析

       2019年JOHNSON等^[32]提出的MoCo-cGAN采用3D条件GAN在图像域端到端学习“运动退化-校正”映射，在真实头动数据上验证了对模糊与鬼影的显著抑制效果。该研究首次在完整三维层面引入对抗学习进行运动校正，突破了传统二维或切片级方法的空间一致性限制，为后续DL在3D 运动校正领域的研究奠定了方法学基础。

       2020年，USMAN等^[33]将GAN和共轭梯度感官（conjugate gradient SENSE, CG-SENSE）相结合，用于multi-shotMRI的回顾性运动校正，针对shot间不一致引起的复杂伪影学习图像域校正映射，并与传统重建流程进行耦合评估。该研究首次将DL引入对运动高度敏感的多次激发成像场景，验证了数据驱动方法在补偿 shot 相关运动退化方面的可行性。

       2021年，DUFFY等^[37]提出基于脑T1结构像的3D CNN回顾性运动伪影校正方法，在图像域实现了端到端校正，通过在Fourier域注入运动模型构建训练退化，并在真实运动数据上进行验证。该研究不仅提升了图像质量，还评估了校正对皮层重建与厚度分析稳定性的影响，强调了三维空间一致性在结构像运动校正中的关键作用。同年，LYU等^[34]针对动态心脏cine MRI的时间一致性问题，采用循环神经网络在图像域显式建模帧间依赖关系，以抑制运动模糊及时序伪影（4D时序）。不同于以静态结构像为主的空间校正策略，该研究将时间建模置于方法核心，通过学习帧间演化规律，在保持动态连贯性的同时减轻伪影，体现了DL在强时间相关运动场景中的优势。

       2022年，YOSHIDA等^[38]采用Pix2Pix框架对临床脑结构像运动伪影进行校正，其研究重点并非单纯提升图像视觉质量，而是改善阿尔茨海默病特异性区域体素分析（voxel-based specific regional analysis system for alzheimer’s disease, VSRAD）等下游自动分析流程的可用性。该工作通过将运动校正与临床量化分析需求直接关联，提出了以分析可行性为导向的评估思路，凸显了DL运动校正在真实临床应用场景中的实践价值。

       2023年SAFARI等^[39]引入条件扩散（Diffusion）概率模型进行运动伪影校正，通过逐步去噪学习复杂退化分布并在图像域直接生成校正结果。相较GAN类方法，该框架的关键贡献在于以概率生成过程刻画退化不确定性，从而在结构细节恢复与稳定性方面体现优势。该方案代表了运动校正从“对抗式生成”向“显式分布建模”的方法学转向，为处理更复杂、更多样的运动退化任务提供了参考。

       随后，LEE等^[40]于2024年提出的基于深度图像先验（deep image prior, DIP）的快速自旋回波（turbo spin echo, TSE）序列的无监督运动伪影校正策略，将网络先验与物理一致性约束相结合，通过单例优化实现校正，无需成对真值数据。该方法在自监督与无监督框架下对运动与相位项进行建模，并在真实主动运动数据中验证了可行性，表明在配对数据受限场景下，DIP 结合一致性约束可作为有效替代路径。同样在2024年，HOSSAIN等^[9]将Swin Transformer与U-Net融合用于脑T1加权像的运动伪影校正，在图像域以端到端方式学习校正映射，并在真实分级运动场景下进行评估。该方法结合Transformer的长程依赖建模能力与U-Net的多尺度特征表征，在提升全局一致性的同时保留局部细节重建能力，体现了混合架构在复杂运动伪影校正中的互补优势。

       2025年，LI等^[41]针对膝关节MRI运动伪影校正提出基于扩散模型的图像域生成框架，以端到端方式学习伪影到校正图像的映射。该研究采用真实“运动—立即重扫无伪影”的配对数据作为监督信号，并在外部数据集上进行独立验证，增强了临床可复现性与跨数据集泛化证据。同时，该工作将DL运动伪影校正拓展至骨关节成像，为非脑部任务的数据构建与评估流程提供参考。

       上述方案从不同成像对象、数据来源、运动形态与方法学路径出发，初步呈现了基于DL的MRI运动伪影校正研究的若干技术方向。但各方法间的区别往往与所采用的运动退化假设、序列与采集条件、训练数据构成以及评价目标等因素相关，跨研究对照时可能在一定程度上受限于场景设定与数据条件等差异。

3.3 主要DL架构特点及应用场景

       CNN以卷积层为核心，通过可学习的滤波器提取局部特征（如边缘、纹理等），并利用池化层实现数据降维减少计算量。CNN可从MRI数据中学习复杂的空间特征和模式，且在局部特征提取方面表现出色，推理时间可仅为0.08~0.15 s，特别适合处理局部运动伪影^[42]。U-Net架构则以CNN为基础改进而来，因其相对简单的结构和强大的性能在像素级图像分割等领域得到广泛应用。它通过特征性的跳跃连接，将编码器与解码器之间相对应的各层串联，将编码器的高分辨率细节与解码器的语义特征融合，确保更精确地恢复目标边界和细节。AL-MASNI等^[43]正是使用了具有自我辅助先验的堆叠U-net网络，成功解决脑部MRI刚性运动伪影的问题，保留空间图像细节并改善像素间的依赖性，大幅提高了成像质量。而残差网络（residual network, ResNet）又是CNN的一种增强变体，通过引入残差块和跳跃连接的结构，解决了CNN梯度消失和退化的问题，并有助于构建更深层的神经网络。基于ResNet 的DRN-DCMB模型使用了密集连接的多分辨率块，仅训练少量的学习数据，便可在保持图像对比度和清晰度的同时减少运动伪影^[44]。

       RNN通过隐藏状态的循环连接，将前一个时间步的输出作为当前时间步的输入，从而实现对序列数据的时序建模。在伪影校正领域中，RNN擅于捕获动态 MRI 序列中的时间依赖关系，可被用于模拟运动模式并随着时间的推移进行伪影的修正。斯坦福大学开发的CRNN-DWI循环神经网络就是结合了CNN和RNN各自的优势，成功应用于高度采样不足的DWI数据集的重建，表现出了强大的去伪影和改善成像质量的能力^[45]。

       GAN则通过生成器和判别器的对抗式训练，通过从真实和扭曲的数据中学习来生成无伪影的MRI图像，在保持图像真实性和细节方面表现优异。ARMANIOUS等^[46]利用基于GAN对运动伪影进行回溯校正并使用了多个MRI数据集进行验证，结果提示该方法在抑制运动伪影方面取得了更好的效果，同时保留了更多的图像细节和结构信息，具有实际应用价值。然而GAN参数需求量较大、训练复杂度高，需要考虑模型设计和计算资源等问题。

       Transformer在变革了自然语言处理领域之后，现已逐渐扩展到计算机视觉领域。该架构具有强大的全局建模能力，通过使用自注意力机制来捕获MRI序列中不同位置间的长距离空间依赖关系，参数量最大。如GHOUL等^[47]在其基于注意力感知的DL框架中执行非刚性运动成对配准的研究中，使用了基于Transformer的模块，利用远程上下文信息来有效减轻因欠采样所导致的伪影。但Transformer同时也存在计算复杂度高，训练时间长等问题。

       目前Diffusion模型已经成为人工智能内容生成领域的主流和基石，其通过加噪与降噪的原理和卓越的多样性和创造性，能够生成质量极高的图像，并且具有较高的训练稳定性。SAFARI等^[39]开发的MAR-CDPM运动伪影校正模型就是基于条件扩散概率原理，在多中心的脑肿瘤MR数据集中展现出了强大的伪影校正能力，并在图像质量评估上显著优于Unet、Cycle GAN等算法。又如LI等^[41]使用Diffusion模型先进行前向扩散，再通过迭代训练对目标分布进行建模和反向降噪，有效去除膝关节MRI图像中的运动伪影并显著改善图像质量。然而尽管Diffusion模型原理简单统一，它仍具有对计算资源需求量大和生成速度较慢的不足。

       近年来提出的混合架构则可以利用不同神经网络的互补特点，如结合CNN的局部特征提取能力和Transformer的全局建模能力，在保持高性能的同时提升了效率。LEE等^[40]最新提出的深度图像先验无监督运动伪影校正方案正是结合了CNN和空间Transformer模型开发而成，创新性地仅使用模型参数化特征而无需训练数据集即可有效完成运动伪影的校正。又如结合了Swin transformer和Unet架构的混合伪影校正网络MACS-Net，能实现在两种不同运动模式下的伪影校正效能均优于六种最先进的MRI图像运动校正方法^[9]。这些混合架构充分吸纳了不同神经网络模型的优势，代表了当前DL伪影校正算法技术发展的较高水平。

4 DL方法的应用性能评估与临床实践意义

4.1 图像质量改善与诊断准确性提升

4.1.1 客观图像质量参数

       SNR和对比噪声比（contrast-to-noise ratio, CNR）作为无参考指标，是保证MRI图像良好对比度和更高分辨率的前提，分别反映了图像基本质量情况和图像区分不同组织结构的能力。均方误差（mean squared error, MSE）直接反映MRI图像像素级别的平均误差，其值越低则表明经校正后的图像与无伪影标准图像质量越接近。PSNR和SSIM是最经常应用于评估MRI图像质量改善情况的经典指标^[48]。PSNR基于MSE计算，其值越大，表明重建后的图像与标准参考图像之间的保真度越高，图像质量越好。而SSIM作为更符合人眼视觉感知的指标，从亮度、对比度和结构三个维度综合评估重建图像，更能理解图像观感和结构，特别适合用于分析MRI图像在伪影校正算法处理后的结构信息保持能力。

       DL技术以其大数据处理和学习能力，对于改善上述指标，提升图像质量方面具有传统伪影校正技术无法比拟的巨大优势。DUFFY等^[37]使用3D CNN运动伪影校正架构，与传统方法相比大幅降低了头颅MRI数据集图像受真实运动影响的伪影严重程度，将SNR从31.7 dB提高到33.3 dB，并发现了经算法校正后的额颞叶皮质变薄与帕金森病之间存在着更具有统计学意义的联系。同样地，具有自辅助先验的堆叠U-Nets已被证实可显著改善脑MRI刚性运动伪影问题，并能将SSIM从71.66%提高到95.03%，MSE从99.25%下降到29.76%^[43]，展示出了DL运动校正网络在客观图像质量指标中的可行性和适用性。又如LI等^[49]的研究表明，基于GAN的算法模型能够有效地修复图像质量并显著改善客观图像质量指标，在对乳腺MRI图像进行处理后，MSE显著降低，PSNR升高了3~4 dB，SSIM升高10%~20%，且采集时间降低了一半。近年新提出的混合MRI运动伪影校正神经网络MACS-Net，同样能在不同运动模式下展现出对客观图像质量评估参数强大的改善能力，如在当运动持续时间在5 s内时，该方法将平均归一化均方根误差（normalized root mean square error, NRMSE）从45.25%降低到17.51%，SSIM从79.43%提高到91.72%，PSNR从18.24提高到26.57 dB；而当运动从5 s延长到10 s时，也能使平均NRMSE从60.30%降低到21.04%，SSIM从33.86%提高到90.33%，PSNR从15.64 dB提高到24.99 dB^[9]。

       尽管以上客观指标体现了DL在运动伪影校正和图像质量改善方面的效能，但其侧重点和应用场景却不尽相同：SNR与CNR属于无参考指标，可用于真实标准数据值缺乏时刻画噪声水平与组织细节可分辨性，但与线圈、序列参数和重建策略高度相关，跨中心或跨协议横向比较时应降低解释权重并明确采集条件。MSE和PSNR则侧重全局强度误差与噪声能量，适合有近似标准值的仿真或重复扫描场景用于衡量总体保真度，但对轻微的错位、局部结构缺失或伪影残留不够敏感。而SSIM更关注局部结构与纹理一致性，更能体现伪影抑制同时保持原有结构的目标，通常应赋予更高权重，但在过度平滑或“看起来更像”的生成结果下也可能被高估。故而单纯指标的改善不一定等同于临床诊断的获益，更合理的方案是综合上述各客观指标的结构保持、全局保真和可分辨性的优势，再结合主观读片评估，才能代表真实世界中令诊断医师满意的图像。

4.1.2 主观图像质量评估

       研究中最常使用的主观图像质量评估方法是基于李克特量表（likert scale）的多人设盲读片评分法，量表项目可根据不同研究的重点而区别设置。如ZERUNIAN等^[50]在其肝脏MRI图像质量增强算法研究中对上腹部实质边缘清晰度、对比度、截断伪影、运动伪影、整体图像质量分别进行评估；而SEO等^[51]则分别评估了算法校正前后图像的整体质量、清晰度、区域黏膜明显性、图像伪影和病变显示情况。由Likert评估量表可以获得的评估指标还包括平均图像质量评分、诊断置信度以及读者间一致性系数等，以便全方位地对图像质量进行主观评估。

       目前绝大多数研究采用的均是由客观图像质量参数与主观图像评估量表相结合的综合评估模式^{[52, 53, 54]}，能够更全面地在数据世界和真实世界中双重验证DL算法的性能（客观图像评估参数与主观评分特征及侧重场景见表1）。如KANIEWSKA等^[24]有关肩关节MRI的前瞻性研究中，对比了使用 PROPELLER 技术的常规序列和引入深度CNN算法的DL序列，证实DL序列能够显著改善伪影，不仅提高了CNR和SNR，还显示出更高的图像评分和诊断置信度，且读者间一致性系数高达0.947。最新应用于头颈部MRI的双网络DL校正框架也采取了客观参数结合主观量表的评估模式，与传统方法相比SNR提升了27.5%，并且在Likert主观评估量表中的整体图像质量（57.4% vs. 45.6%）、图像清晰度（67.6% vs. 25%）、病变明显性（52.9% vs. 42.6%）和周围结构描绘（60.3% vs. 52.9%）等项目中获得“优秀”评级的图像比例也获得了显著的提升^[55]。

点击查看表格

表1  客观图像评估参数与主观评分特征及侧重场景
Tab. 1  Objective image evaluation parameters and subjective scoring characteristics with their major application cases

4.1.3 影像学诊断效力

       如上文所述，DL方法有效减少了运动伪影对MRI图像的影响并改善了主、客观图像质量，但仍需通过研究来分析其图像诊断效能，如诊断敏感性和特异性的提高、假阳性和假阴性率的降低，尤其是在早期病变检测和微小病变识别方面表现能力等。MAENNLIN等^[56]在其DL胸部T1加权VIBE序列的研究中利用超分辨率和迭代去噪技术，除减少心肌运动伪影外，病灶清晰度和可检测性也明显改善，整体诊断置信度从3分提升至4分。WARY等^[57]针对单次屏气肝脏HASTE序列前瞻性地分析了112名患者，使用DL迭代重建网络与残差密集U-net架构与之结合并与T2 BLADE TSE 序列对比，最终前者出现的伪影数量仅为后者的一半，且前者最小局灶性肝脏病灶的诊断显著性更高（71% vs. 39%），在DL序列多诊断出的41个新病灶中，有38个（93%）确诊为真阳性。在诊断分期方面，LI团队通过结合了自适应压缩传感技术和基于CNN的双网络去伪影架构，将口腔癌诊断的总体分期准确率从78.1%提高至84.4%，完全匹配率从84.4%提高至87.5%^[55]。有研究也将压缩传感技术与AiCE DL去噪模型（该模型利用CNN架构，具体细节相关研究已有描述^{[58, 59]}）相结合，进而验证另一种新型DL快速3D模式轮式序列精确IQ引擎（PIQE）技术的诊断效能，结果显示AiCE的压缩传感技术对局灶性肝病灶的检出率为71.4%~85.3%，而后者则可将检出率提升至为82.2%~95.8%，表明了不同DL模型在优化影像学诊断性能方面仍保持迭代优化的发展态势^[60]。

4.2 特殊人群MR的成像成功率

       儿童、帕金森病或神经精神类疾病患者难以配合检查时的身体固定，这类人群的MRI运动伪影是长期困扰影像科医师与技术人员的问题。PIRKL等^[61]将其建立的基于真实运动的ResNet网络伪影校正算法应用于胼胝体次全发育不全的小儿患者，证实了算法校正与导航校正相比能更显著地改善成像质量，且在SNR方面甚至优于无运动参考集，展示了DL伪影校正算法在神经疾病儿童成像时的优越性。此外，YOSHIDA团队针对阿尔茨海默病患者萎缩海马体的MRI体素形态测量，使用了GAN模型Pix2Pix来进行运动伪影的校正，研究显示模拟伪影图像、U-Net校正图像和Pix2Pix校正图像相对于原始图像的平均SSIM值分别为0.22~0.37、0.88~0.97和0.89~0.98，且与U-net校正图像相比，Pix2Pix运动校正图像的主观图像质量得分也更高，展示出了GAN算法在阿尔茨海默病患者成像时的优势^[38]。

4.3 提高成像效率和经济效益

       DL不仅能抑制运动伪影、改善MRI图像质量，还能显著提升成像速度，并减少重复扫描。HAMMERNIK等^[62]于2017年针对MRI图像重建，提出了一项将变分模型的数学结构与DL算法相结合的变分网络（variational networks, VN），能在显著提升成像速度的同时提供更清晰、更均匀的图像，是较早利用DL改善成像质量并缩短成像时间的研究。此后，有研究又先后使用了VN算法模型，分别对前列腺和腰椎的TSE序列成像进行了验证，证明该模型可显著减少噪声和伪影，提高了图像质量，并能够将扫描时间缩短60%~65%^{[63, 64, 65]}。近年来ICHINOHE等^[66]在单次屏气肝脏脂肪抑制T2成像中，将HASTE序列与VNDL算法结合并与T2 BLADE TSE 序列对比，证明了屏气状态下VN DL算法结合HASTE序列运动伪影最少，且成像时间仅为VN算法结合T2 BLADE TSE 序列成像时间的一半。

       在经济效益方面，运动伪影对医疗机构和社会的影响巨大。一项针对西雅图港景医院放射科的回顾性研究显示，该院在7.5%的门诊和29.4%的住院或急诊MRI检查中发现了显著的运动伪影，并直接导致了19.8%的重复扫描序列，研究还计算出了运动伪影会造成每小时592美元的额外损失，每台MRI设备每年需承担约115 000美元的潜在附加成本^[67]。另据一项丹麦的研究提出，仅因头部运动伪影所造成诊所/医院的额外年度支出就可高达45 066美元（不含儿科检查）和364 242美元（含儿科检查）^[3]。这些都表明了DL对MRI运动伪影的改善不仅仅是在于技术层面的突破，也对医疗效率和社会经济做出了重大贡献。

5 DL伪影校正技术面临的挑战与展望

       综上，DL方法在MRI运动伪影校正领域展现出显著优势，从早期的卷积神经网络到近年来引入生成模型、Transformer及无监督学习等，相关研究仍在不断拓展其在复杂运动场景中的适用性。然而，从现有研究整体来看，DL运动伪影校正在迈向广泛临床应用之前仍面临若干关键挑战。

5.1 高质量标注真实伪影数据集的稀缺

       高质量已标注数据集的稀缺性是目前DL领域面临的主要挑战之一。由于医学影像数据获取成本高、患者伦理和隐私保护严格，且不同医疗机构数据标准不统一，可用于训练的数据样本量往往有限。正如LEE等^[68]的研究中所提到的，采集真实的有伪影和无伪影图像进行训练会显著延长扫描时间并增加研究成本，因此目前大量研究中的伪影图像都是模拟生成的^[8]。然而理想情况下校正模型的关键在于学习真实伪影图像和无伪影图像之间的映射关系，使用模拟伪影数据似乎并不能准确反映真实的运动伪影情况。

       同时，大量研究采用的是既往其他研究所使用的公共MRI图像库而非专门为校正运动伪影设置的数据集，这可能导致了标注外应用（off label），即当为某一项任务而设立的数据集用于其他不同任务时可能导致结果出现偏倚的情况。此外，许多图像数据库中采用的是不透明的参数提取及修饰程序，这也可能使结果的真实性受到影响。SHIMRON等^[69]在其探讨公共数据滥用导致机器学习偏差的研究中也提出了“数据犯罪”（data crimes）的概念，揭露了混乱的误差测量标准导致即使图像视觉质量下降但仍可计算出重建误差减小的怪相。

       未来的研究有必要建立大样本量、多解剖部位、跨越各群体范围、涵盖多运动伪影模式的真实伪影图像库，并可涉及各种速度和加速度等在内的高阶运动模式^[12]，另外还需要标准化的预处理协议和注释方案等^[70]。

5.2 模型的泛化能力有待进一步提高

       首先，目前磁共振扫描仪器规格和图像采集协议各异，对某一种测量模式表现良好的校正模型对其他采集方案可能效果不佳，故而影响了临床普适性。其次，训练模型所用到的数据集与实际应用时的目标群体存在一定的分布误差，如性别、种族、身高体重、年龄等的分布差异都有可能干扰模型发挥稳健作用。此外，实际扫描过程中每位受检者不同程度的刚性运动、非刚性运动甚至是两者结合等各种复杂情况都会给算法的泛化能力带来挑战。一项分析了208项有关研究的综述表明，当前各类算法在泛化能力方面尚有训练和测试样本来源有限、临床验证执行不足、数据归一化不完善等缺陷需要进一步完善^[48]。

5.3 模型的可解释性

       深度神经网络包含复杂的多层非线性变换结构，其决策也并非仅靠简易的单线步骤，而是各层级之间繁杂交互的结果。其间涉及的参数含量更是可能高达百万甚至数亿级别，追踪到每个参数对输出端的影响相当困难。此外，DL模型又往往隐藏其底层算法和逻辑推理程序，这都使得模型的内部工作机制和决策过程难以被使用者直接理解。据ALEXANDER等^[71]的一项调查发现，放射科医生在医学成像中采用AI的最大障碍之一是他们对AI对更复杂的患者和疾病的诊断能力的担忧。这种被称为“黑盒”的现象限制了模型的透明性和可解释性，不仅会造成使用者信任度的缺失^[72]，而且当模型出错时难以精确定位错误来源，还有可能生成欺骗性内容。这种风险会引发道德和法律问题，尤其是当AI引起的错误损害到患者的健康时^[73]。对此，CAHILL等^[74]在其最新的社论中也阐述了“黑盒”现象对患者的临床安全和医师的法律责任具有重要的影响。

       未来的模型需增强在透明性和可解释性上的效能，从而提升其在实际应用中的可接受度。近年来，可解释人工智能（explainable artificial intelligence, XAI）的理念愈发深入人心，其核心在于凭借透明的决策依据和推理过程，增加使用者对其的理解和信任程度^[75]。其中视觉XAI和非视觉XAI分别以显著性图或热图、文本描述或统计指标等方法对模型决策中影响力较高的部分进行突出展示^[76]，很适合运动伪影校正模型的解释。如近来MANSO JIMENO等^[77]在使用CNN进行在线自动检测MRI运动伪影的研究中，已经将梯度加权类激活映射（Grad-CAM）用于分析故障模式、微调预处理步骤和提供对模型结果的解释，大大增强了模型的置信度。此外，在医学成像缺乏算法标准化的今天，监管部门和研究中心也有必要推动算法模型透明化和公开化^[78]，并对算法进行基准测试以确保一致的算法改进^[79]，从而更好地为患者提供健康保障。

6 小结

       本文综述了MR运动伪影校正技术的变革与发展。从传统的基于硬件或信号处理的前瞻性运动伪影校正，到回顾性的图像后处理校正方法，再到结合了DL技术的新校正架构，不同的MRI运动伪影校正方案在不断地突破与创新中展现出了其在处理性能和泛化场景中仍拥有巨大发展潜能。总体而言，DL为MRI运动伪影校正提供了区别于传统方法的全新技术路径，其优势已在多种成像对象和应用场景中得到验证。尽管当前仍存在数据、泛化性及临床转化方面的挑战，但随着数据资源的积累、方法学的成熟以及规范化评估体系的建立，DL有望在未来实现可解释、实时、高效的MRI运动伪影校正任务，进一步推动磁共振成像在临床实践中的质量与效率提升。