论文引用格式：Ye H H， Chen Y T， Hu D K， Li S Z and Liu H F. 2023. Progres of deep learning based quantitative MRI reconstruction methods. Journal of Image and Graphics， 28（06）：1698-1708（引用格式:叶慧慧， 陈昱婷， 胡大琨， 李世卓， 刘华锋. 2023. 定量磁共振图像的深度学习重建方法进展. 中国图象图形学报， 28（06）：1698-1708）［0　引言磁共振成像（magnetic resonance imaging， MRI）以其高软组织对比度在目前医学成像技术当中占据了重要的一席之位。然而相比于常见的超声和CT（computed tomography）成像，其成像速度是其中一大制约因素，因此，围绕磁共振快速成像开展了大量的研究。其中，主要包括依托硬件梯度性能的提升以带来更快速的梯度切变以加速序列各梯度模块的施加；多通道线圈的优化以促进更高倍数的并行成像（parallel imaging，PI）；快速序列（如快速自旋回波、平面回波成像（echo planar imaging， EPI）快速采集序列）的开发等；压缩感知（compressed sensing，CS）技术的应用。目前在大部分的磁共振加速成像相关研究中，并行加速成像是与压缩感知相结合来充分利用多通道线圈带来的k空间信号冗余的，在深度学习模型结合中，其中的线圈敏感度可以被整合进信号公式。目前适应临床不同需求通常需采集多种对比度的磁共振成像数据，比如T1加权、T2加权和质子密度加权。不同对比度图像由于来自同一部位，它们呈现非常相似的结构，因此，这一冗余度信息也可用于与CS加速采集相结合。此外，动态图像的时空冗余信息也是一个常用的结合点。基于传统的重建方法加速倍数较低、迭代重建更为复杂，而深度学习的MRI重建可避免传统重建中手动调参的麻烦，并可实现更高倍数的加速，具有较大的应用前景。关于深度学习在磁共振图像重建方面已有较为详尽的综述报道（Pal和Rathi，2022；Chen等，2022；Liang等，2020；Wang等，2021；Zeng等，2021），感兴趣的读者可以参阅相关文献，而在本文中仅进行简单介绍。常规的定性多对比图像对于医生诊断来说是一个体力活，且非常需要医生的经验。相比之下，定量成像可以提供像素级的组织内在定量参数表征，如T1、T2、ADC（apparent diffusion coefficient）等定量参数的快速准确获取是本领域近20年来的研究热点。传统定量成像通常需要获取多个不同参数下的加权图像，并通过对所需信号模型进行像素级的非线性拟合来获得定量的组织参数，所以相较于对比图像的获取，定量图像所需的采集时间更长、重建时间也更长。鉴于深度学习在磁共振快速成像的重建中获得了广泛的开发和应用，将深度学习与定量参数成像相结合也实现了多种尝试。由于在这一方面的工作较新，该方面综述仅有一篇（Feng等，2022），且有更多方法的更新，因此，在接下来的篇幅中将着重介绍该方面的工作进展。1　国际研究现状1.1　单对比度、多对比和动态定性成像Zhu等人（2018）提出一个图像重建框架（AUTOMAP），该框架将图像重建与监督学习联系起来，并用深度神经网络实现AUTOMAP。该方法将欠采样的k空间数据输入到一个全连接的神经网络，从而得到输出图像。但是AUTOMAP框架需要大量的全连接层，计算量较大，运算速度受到了限制。针对这样的不足之处，Eo等人（2020）提出了将欠采样限制在一维，这样全连接层只需要对一维的全局变换进行学习，从而减少计算量。Akçakaya等人（2019）提出用深度学习方法对并行成像的k空间进行插值。与基于线性卷积核的传统线性k空间插值方法（如GRAPPA ）相比，该方法能够从获取的k空间数据中非线性估计缺失的k空间线，并具有更好的抗噪性。Han等人（2020）提出利用深度学习的k空间插值技术，他们使用U-Net实现了一种结构化低秩Hankel矩阵方法。其用大量的数值实验表明，该方法比现有的图像域深度学习方法具有更好的一致性。Du 等人（2021）对该方法进行了改进，将空间邻域切片信息整合到重构过程中。实验结果表明，该方法可以有效地从欠采样的k空间数据重建图像，并获得比当前最先进技术更好的图像重建性能。Eo等人（2018）提出混合的基于数据一致性的复杂图像域重构法。该方法利用跨域卷积神经网络对欠采样K空间数据进行精确的MR图像重建。该方法在恢复组织结构和去除混叠伪影方面表现出优于传统算法的性能，而且在峰值信噪比和结构相似度均优于传统算法，平均提高2.29 dB。1.2　参数定量成像T2定量的金标准方法通常是多回波时间（echo time， TE）的自旋回波序列采集并进行指数拟合。美国哈佛医学院麻省总医院的Liu等人（2019）团队提出了一种基于深度学习的重建与参数估计框架：非相关k空间采样模型增强神经网络（model-augmented neural network with incoherent k-space sampling， MANTIS），可以从由自旋回波（spin echo， SE）序列采集得到的欠采样的k空间信号直接重建出T2参数图谱。MANTIS框架包含两个部分，如图1所示，其中一个部分利用有监督的端到端卷积神经网络（convolutional neural network， CNN）映射将欠采样的图像直接转换为T2图谱和质子密度图像，第2个部分通过在欠采样k空间和第1个部分中估计出的参数之间利用信号模型来确保由网络输出参数合成的k空间结果与采集到的欠采样k空间数据一致。为了提高MANTIS对训练数据集和测试数据集之间k空间轨迹差异的鲁棒性，在网络训练中加入了由随机欠采样掩膜组成的采样模式库。为了进一步提高图像质量，该团队在MANTIS的基础上提出了MANTIS-GAN（Liu等，2020），将生成对抗网络（generative adversarial network，GAN）损失作为第3个损失项结合到MANTIS训练框架中，使用CNN判别器来评估网络输出的T2参数图谱与参考图谱之间的相似性，从而捕捉图像中更丰富的局部和全局特征。10.11834/jig.230041.F001图1MANTIS方法原理示意图（Liu等，2019）Fig.1Flowchart of MANTIS method（Liu et al.， 2019）大多数基于深度学习的MRI参数定量重建技术都是基于有监督学习的训练策略。然而，由于定量磁共振成像的成像时间通常比较长且在目前的临床中应用较少，再加上运动、成像速度等因素的限制，往往难以获得高质量的参考图像。因此有学者考虑采用无监督学习的训练策略来对参数图谱进行重建。在上述研究的基础上，Liu等人（2021）提出了一种用于定量磁共振成像的通用自监督深度学习框架RELAX（reference-free latent map extraction）。该框架将MRI成像模型（傅里叶编码和线圈敏感度编码）和qMRI（quantitative MRI）定量模型嵌入到网络中，同时结合了数据驱动和物理驱动的优势。在没有全采样参考数据的情况下利用该自监督深度神经网络可以实现对弛豫参数的快速估计。分别使用梯度回波（gradient echo， GRE）序列和SE序列测试了RELAX框架在模拟和活体膝盖实验数据中重建T1和T2参数图谱的性能，并与传统约束重建方法：零填充重建（zero-filling reconstruction）、k-t SLR以及MANTIS方法的结果进行比较（图2）。结果表明，使用该框架可以获得优于传统重建方法的重建质量并且具有可以与有监督学习相媲美的重建性能。10.11834/jig.230041.F002图2不同方法的T1定量和T2定量结果比较（Liu等，2021）Fig.2T1 and T2 mapping results from different methods（Liu et al.， 2021）鉴于逐个参数定量成像的效率低和运动不匹配特性，多种多参数同时定量成像方法得以开发并引起了广泛的关注，例如磁共振指纹成像（magnetic resonance fingerprinting，MRF）方法和多任务成像（multitasking）方法。磁共振指纹技术是一种新兴的定量MRI成像技术，由美国凯撒西储大学Ma等人（2013）提出。不同于传统的MRI使用相同的重复时间（repetition time，TR）、翻转角（flip angle，FA）等参数进行重复连续采集数据来得到单个感兴趣参数的定性方法，MRF采用伪随机的采集方式，在采集过程中持续伪随机改变各项采集参数，使得不同组织或材料产生独特的信号演变。采集得到的独特信号演变将与预定义的信号演变字典进行匹配，匹配成功后就能得到扫描组织或材料的多种磁参数的定量结果。这一过程与我们熟知的指纹采集和识别匹配的过程类似，该技术因此得名。除了能够一次采集就得到多种磁参数的定量结果，MRF还具有对测量过程误差敏感度低、加速采集潜力高等优点，这些都使MRF成为磁共振领域最受关注的技术之一。在传统MRF技术框架下，追求同时对更多的参数进行定量和追求更高精度的定量将导致字典体积的大幅提升。由此带来的生成字典和信号匹配过程的计算量增大以及内存需求上升是MRF技术的一大瓶颈，这对MRF的大规模临床应用造成了阻碍。深度学习技术的高速发展让一些研究者看到了MRF技术进步的新希望，他们尝试使用深度学习技术对传统MRF框架进行改造，以让MRF能够更快速、高效地运行。Yang等人（2020）着眼于使用深度学习技术来加速预定义字典的生成过程，他们提出了一种基于GAN的MRF字典生成方法，使用该模型可以大幅加速字典的生成。作为对比，Bloch方程模拟需要耗时2 h的字典使用该模型来生成仅需要耗时7 s。更多的研究致力于将整个匹配过程融合进深度学习框架内，放弃传统的预定义字典的做法，直接训练端到端的网络模型来进行MRF信号的参数定量。Hoppe等人（2017）将卷积神经网络引入MRF。他们将模拟的时间序列按照8∶1∶1的比例划分为训练集、验证集和测试集，时间序列输入网络经过三层卷积和全连接层直接输出T1和T2的定量结果，整个定量过程不再需要字典的参与。测试结果显示，通过网络估计的定量参数和真值误差在1%左右，但网络预测所需的时间相比字典匹配提升了两个数量级。另外，由于网络模型只需要保存网络结构和权重参数，存储训练完成的网络模型需要的空间也远小于存储字典所需的空间。Fang等人（2019）提出了一个两步深度学习模型来从MRF信号直接学习组织参数。该模型对每个组织参数分别分配一个通道，信号先输入特征提取模块提取低维的特征图，再接着输入U-Net结构的CNN中，最后输出该通道对应的组织参数。该方法使用真实脑部数据从高度欠采样的信号中得到了高质量的定量结果，还实现了相对传统方法至少4倍的加速。在此模型基础上，Chen等人（2020）引入并行成像技术，实现了对3D MRF欠采样信号的高质量参数定量。由于可以在网络训练过程中充当标签的全采样的真实身体组织MRF数据难以大量获得，在多数研究中使用的深度学习模型是使用模拟数据进行训练的，虽然这些模型在真实数据的定量结果也相当可观，但缺失真实数据对网络训练过程的约束将导致模型准确性和泛化性的下降。因此，有研究者开始转向无监督学习框架，这样即使没有全采样的标签数据，真实数据也可以参与到训练过程中来，最终得到的模型准确性和泛化性无疑会更好。Kang等人（2021）提出了一种无监督学习框架来实现对T1、MTC等参数同时进行定量。他们将MRF信号输入网络，直接输出定量参数，再使用这些定量参数进行Bloch仿真计算，得到与输入信号同维度的合成序列，合成序列与输入序列的L2范数作为网络的损失函数。该方法在参数定量速度上实现了巨大的提升，相较于Bloch拟合方法快1 000倍，但在参数定量结果上与传统定量方法的结果高度一致。此外，上述MRF大部分采用螺旋轨迹等非笛卡儿轨迹采集信号，因此，通常第一步就需要烦琐的非笛卡儿重建。相比之下，EPI轨迹在功能磁共振成像、扩散成像等中获得了广泛的应用，其采集效率高且重建效率也高，基本上实现了实时重建，因此Khajehim等人（2021）提出用基于EPI轨迹梯度回波序列和自旋回波序列用于MRF信号的采集，利用仿真指纹数据预先训练好的网络进行指纹识别，并最终获得多参数同时定量。该方法将EPI、MRF与深度学习三者实现了一个有机融合。然而，EPI轨迹存在一个由来已久的图像质量问题，尤其是图像畸变问题。针对这一问题，由上而下和由下而上双采集（blip-up/-down acquisition， BUDA）的EPI方法由美国哈佛医学院麻省总医院Setsompop、Bilgic团队提出，首先在扩散成像中应用并获得了很大的图像提升（Liao等，2021），之后在T2定量以及T2、T2*双定量上都实现了同时快速采集和高质量定量（Cao等，2021；Zhang等，2022）。在与深度学习相结合方面，So等人（2022）提出了BUDA-MESMERISE（blip-up/-down acquisition multiplexed echo-shifted multiband excited and recalled imaging stimulated echo acquisition modeencoded）采集方法，结合无监督卷积神经网络如图3所示，可以在50 s内以1 mm × 1 mm × 5 mm的分辨率实现对全脑T1、T2、相对质子密度、B0和B1参数估计。10.11834/jig.230041.F003图3BUDA-MESMERISE 方法原理示意图（So等，2022）Fig.3Flowchart of BUDA-MESMERISE method（So et al.， 2022）多任务磁共振成像是新兴的一系列抗运动干扰的多参数同时定量成像方法，由美国加州大学洛杉矶分校的Li团队提出，该方法首先由Christodoulou等人（2018）在对心血管进行参数定量的过程中引入了磁共振多任务处理框架（Multitasking），用来应对定量成像过程中可能存在的多种运动因素对成像效果的不利影响。针对心脏跳动和呼吸等常见的运动影响，传统的应对方式如采用ECG触发的采集、采集过程中屏气、使用较短的采集时间等，都是从减少采集过程中运动因素的参与出发来降低运动对成像效果的影响。因此，这些方法大多存在着成像效率低、多次采集的配准错位以及临床应用困难的问题。而Multitasking方法没有在采集过程中抑制运动因素，它将参与采集过程的不同种运动因素分离到不同的时间维度，并分别进行捕获，使用特别设计的低秩张量成像方法来解决建立的多时间维度问题。整个过程将在单次扫描中完成，简化了工作流程，并且得到的多个参数图将是完美的共配准图像。另外，也使得屏气困难和患有心律失常的患者可以更方便地进行心血管参数定量成像。Ma等人（2020）在脑部多参数定量中引入了Multitasking，类似对运动参数的处理，将多种待测参数分别放到不同时间维度进行并行定量。他们先是使用Multitasking方法实现了3维脑部的T1、T2、ADC同时参数定量成像，在模拟数据和16名健康被试以及3名脑部肿瘤患者的实验结果具有完美的共配准和无图像失真特性，并且定量效果与参考真值高度一致，显示出了很好的临床应用前景。在此基础上，他们继续提出了基于Multitasking的全脑T1、T2、T1ρ同时参数定量（Ma等，2022），以对神经性疾病的临床诊疗提供帮助，该方法同样在模拟数据和健康志愿者定量上都表现出色。为了进一步验证其临床效果，他们还对多发性硬化症患者的脑组织进行扫描，结果显示，这种多参数结合的定量显著放大了患者和健康对照之间扫描结果的差异，这将使得做出正确的临床诊断更为容易。Multitasking在多参数同时定量方面表现优异，但由于要进行多时间维度的计算，随着扫描数据的尺度上升，使用该方法进行定量可能需要较大的内存空间和较长的重建时间，这显然为该方法的临床应用设置了阻碍。Chen等人（2019）提出了一种用于大规模动态MR图像重建的先验时间特征空间内的深度学习方法，使用扩张的多级密集连接网络（multi-level densely connected network，mDCN）代替传统迭代算法，以实现对Multitasking数据重建过程的加速。他们在5-D心脏的MR Multitasking数据上进行实验，实现了相较于传统迭代算法3 000倍的重建加速，原本20 min的重建过程可以缩短到0.39 s。此外，鉴于临床多对比图像的广泛存在，该团队利用卷积神经网络，从常用的3种对比加权图像（MPRAGE、GRE和FLAIR）中同时提取出弛豫参数T1和T2，由此实现直接利用现有的临床成像同时估计出T1和T2两种参数图谱（Qiu等，2022）。2　国内研究进展2.1　单对比度、多对比和动态定性成像王珊珊等人（Wang等，2016）率先提出了使用CNN进行MRI重建的方式，设计并训练了一种离线卷积神经网络，用于识别由零填充和全采样k空间数据获得的MR图像之间的映射关系。实验结果表明，该网络不仅能够实现高效成像，恢复精细结构和细节，而且与在线约束重建方法兼容。刘且根团队对基于CNN的超分辨（SR）方法及其在MRI重建的应用进行了研究，将DC-CNN中ResNet层替换为DenseNet，EDSR及RDN（Zeng等，2020）。因为在传统的CNN中，由于每一层不能直接将特征信息传递给后续的层中，不能充分利用局部的特征信息，这大大限制了CNN提取有效特征信息的能力。而在所提出的方法中，每一卷积层不仅可以将需要保留的特征信息传递给后续层，而且可以在CNN中连续传递特征信息。实验结果表明，改进后的SR算法在不同的采样轨迹和速率下都能取得更好的性能。除了CNN，许多其他的深度网络结构也陆续用于图像域MRI重建，包括U-Nets（Wang等，2022）、生成对抗网络（Yang等，2020）和ResNet（Cai等，2018）等。王珊珊等人（Wang等，2020）提出一种基于复数卷积的残差网络（Deepcomplex MRI）， 自动学习跨通道的图像相关性而无需计算线圈敏感度信息。王海峰等人（Wang等，2019）提出了CP-net网络，将Chambolle-Pock算法应用到加速MR成像中。CP-net包含对偶迭代、原始迭代和链接3部分，并使用了残差网络。实验结果表明，相对于传统压缩感知，并行成像在去除伪影和保留细节方面具有很高的效率，也可以应用于非线性梯度MRI应用。不同于传统对缺失k空间的2维插值，屈小波团队提出了1维深度低秩稀疏网络加速MRI方法（ODLS）（Wang等，2023），对重建问题进行了一定程度上的简化。该方法提出了一种一维低秩稀疏重构模型，将k空间的2维重建转换为两次一维处理，首先对欠采样k空间数据进行频率编码方向上的逆傅里叶变换，得到欠采样2维混合数据，并提取欠采样2维混合数据和全采样2维图像的同一行作为一对1维训练样本，用于神经网络训练。并利用网络实现对1维欠采样数据的填充，之后再进行相位编码方向上的逆傅里叶变换，实现MRI的重建。该方法提出的1维学习方法使得神经网络更容易训练，尤其是在临床应用中指挥提供少量的训练数据和有限的计算内存，这为临床MRI的重建提供了一个新的思路。此外，在多对比度深度学习加速成像方面，国内学者做出了多项开创性工作。如上海交通大学王乾团队率先使用全采用的T1加权图来指导欠采样的T2加权图像的重建（Xiang等，2019），其中T1和T2加权图像作为双通道图像输入进入深度学习模型中，结果显示有T1全彩图像的加入提高了T2图像的重建效果。厦门大学丁兴号团队提出将欠采的双对比图像作为输入（Sun等，2019），由此，分别训练两个网络用于两个加权图像的分别重建，且两个网络之间引入了大量的交互。2.2　参数定量成像对于常规参数定量成像，通常涉及一系列不同对比度的图像的获取以及拟合定量。因此，可借鉴深度学习的能力对这些不同对比度图像进行基于深度学习的重建而获得更高倍数的加速或更高质量的图像。在此基础上，再通过常规拟合进行参数定量，从而获得更高质量的定量成像。例如，Qu等人（2023）开发了结合低秩稀疏结合注意力的深度学习网络，用于T1ρ中所涉及多对比度图像的重建。对于直接借助深度学习网络端到端获取高质量定量图谱，国内从事相关研究的机构主要是厦门大学蔡聪波团队。由于传统实现T2定量的金标准SE序列需要花费很长的采集时间且对运动敏感，这阻碍了其在临床等方面的应用，因此该团队基于EPI提出了一种单射T2 参数定量序列：重叠回波分离平面成像序列（overlapping-echo detachment planar imaging， OLED） （Cai等，2017），将采集时间缩短到几十毫秒。该序列由两个小翻转角的激励脉冲和相应的回波移位梯度组成，可以在单次采样中同时获得两个不同T2加权的重叠回波信号，然后用基于联合稀疏约束的回波分离算法来分离两种回波信号，最后根据信号弛豫公式采用逐像素的方式求出T2图谱。该团队在OLED序列的基础上开展了一系列研究。由于回波分离算法使用图像的低层特征来分离两个重叠的回波，当物体的结构与调制条纹相似的时候难以实现有效分离并且重建的效率也不高。因此该团队进一步提出采用端到端的深度神经网络ResNet从输入的OLED图像直接重建出T2图谱（Cai等，2018），只需要30 ms就可以实现更高精度的T2图谱重建，其重建时间远远短于基于回波分离的OLED重建方法，还可以减少运动伪影对重建的影响。但是该方法采用的是均方根误差损失函数，会导致网络在训练过程中对T2值不同区域的优化程度不同，而且该方法还需要一个导向滤波来去噪。为了解决上述问题，该团队提出了基于DenseNet的T2图谱重建方法（Wang等，2018），利用DenseNet网络拼接所有层的特征的特点来减少图像结构信息的丢失，将损失函数改为加权欧氏距离损失函数，获得了比基于回波分离算法和基于ResNet的T2图谱重建方法更高的精度、更清晰的细节纹理特征，而且对不同噪声水平具有更强的鲁棒性。OLED序列还可以与同时多层扫描技术（simultaneous multi- slice， SMS）结合，利用多个激励脉冲和回波移位梯度产生多层的重叠回波信号，然后用单通道线圈对信号进行激发和采集，最后用神经网络对获得的重叠回波图像进行重建获得T2图谱（Li等，2022）。与传统SMS方法相比，其优势在于只需要一个通道的接收线圈且SAR比较低，但同时也存在着激励脉冲之间的间隔不能太短、B0场不均匀性对最终T2重建效果影响较大等问题。上述方法都是基于OLED序列的，但是OLED序列中仅仅利用了两个重叠回波的信号，因此可以测量的T2范围比较有限。为此，该团队提出了MOLED-4（multiple overlapping-echodetachment planar imaging）序列，可以在单次扫描中获得4个具有不同T2加权的回波信号，然后通过深度神经网络直接重建出T2图谱（Zhang等，2019）。其中，在网络结构的设计上，基于ResNet网络结构还添加了Dense连接来减少图像的结构信息的丢失并提高估计精度，通过损失函数的设计来抑制对较大T2值过度优化以及保持图像的边缘信息。该团队进一步提出了METMOLED（multi-echo-train multiple overlapping-echo detachment planar imaging）序列（Ouyang等，2022），在MOLED的基础上继续增加回波串的数量。METMOLED和MOLED的相比的优势在于METMOLED可以在不增加信号复杂性的情况下采集到更多的 TE 值，因此能够实现更准确的 T2 参数定量结果（图4）。除了重建T2图谱外，通过多任务深度学习还可以对B1场不均匀性以及重聚焦脉冲的非理想切片轮廓引起的信号偏差进行校正（Ouyang等，2022）。10.11834/jig.230041.F004图 4不同T2定量方法的原图和结果图对比（Ouyang等，2022）Fig.4Original images and its T2 mapping results from different methods（Ouyang et al.， 2022）3　发展趋势与展望深度学习的磁共振重建可避免传统重建中手动调参的麻烦，并可实现更高倍数的加速，具有较大的临床应用前景。然而这一领域仍然受到深度学习算法的限制，最重要的是对大量训练数据的依赖，其中定量磁共振成像的金标准数据大多需要较长的扫描时间，往往更难以获得。基于深度学习的重建模型的另一个问题是它们对不同数据集的泛化性，不同中心、不同机型以及不同场强下磁共振数据均对其带来挑战。此外，虽然与传统的 CS技术相比，深度学习模型的重建时间要短得多，但它们需要较长的训练时间，且需要占用大量计算资源。如何解决上述问题是未来研究的趋势。可以考虑将深度学习方法与磁共振物理模型、传统重建算法结合，采用数据增强、弱监督学习、无监督学习以及迁移学习等方式，提高模型的可解释性的同时在一定程度上缓解对数据的依赖程度。其中，关于定量成像中对于网络需要大量训练数据这一通病，有研究提供了一种可能的解决方式，即采用无监督网络进行训练，如此大大降低所需的数据量。还可以借鉴磁共振多任务处理框架的思路，构建更加综合的多任务深度学习模型，从而提高模型的泛化性和鲁棒性。通过知识蒸馏、网络裁剪、参数量化、模型结构设计等模型压缩方法，构建轻量级神经网络，使其易于部署到医疗设备中，更好地实现推广和应用。对于磁共振成像速度慢、扫描操作烦琐的两大瓶颈，深度学习在磁共振加速成像方面已显示出其特定的优势，而对于扫描操作烦琐这一问题，多参数同时定量成像提供了一种可能。它能提供一键式扫描免去逐序列设置定位等麻烦，多参数定量图同时获得且图像间自配准为后期分析带来便利。目前深度学习在多参数同时定量成像方面发挥的作用尚小，未来，随着相关技术的发展，期待多参数同时定量在深度学习的助力下突破磁共振成像的两大瓶颈。总的来说，目前国内团队在这一研究方面展示出了强劲的实力，也做出了很多突破性和创造性的成果，这一方面来源于各个团队在磁共振成像领域的深耕以及国家在这一领域的经费支持，另一方面国内先进磁共振设备的普及与开放客观上也促进了这一领域的发展。在常规定性加权图像重建困难的基础上，定量图像的重建的困难更大，包括训练数据的缺少、运动及系统误差校正等。此外，创新性的定量成像方法多起源于国外团队，由于成像方法的不开放，其重建方法的相应开发也相对保守，呈现以团队为主线的脉络式的发展。由此，国内在这方面的突破还依赖于开创性定量成像方法的开发。