MRI重建不再从临床原始数据学起：SIM用物理仿真训练，跨14个数据集零样本重建
核心概要
SIM把MRI重建的训练数据来源从临床采集的原始k空间换成按多线圈成像物理规律生成的仿真样本，并用通用Transformer把数据量和模型容量一起放大。在14个公开与自建数据集上，它跨7个中心、5家厂商、0.3至7 T场强和十余种采集协议做零样本重建，PSNR比次优方法高1.06至3.95 dB；在150例盲法阅片中，SIM在某一加速倍数下诊断可用性达到100%，该倍数在原文中未给出。
深度剖析
MRI加速重建模型换一个训练来源：不再依赖各机构采集的临床原始k空间，而是用按成像物理规律生成的仿真数据训练，模型在没见过的扫描仪、人群、解剖部位和协议上直接重建。 此前的监督式重建模型一旦离开训练分布就明显退化，而免训练方法只能依靠严重欠采样的单例测量，性能受限；已有的仿真数据方法大多只是追平中等规模真实数据训练的结果。 在14个数据集中，只有fastMRI Brain作为同分布测试集，其余13个全部作为分布外零样本测试；SIM在每一个分布外基准上都优于所有对比基线，PSNR高出次优方法1.06至3.95 dB，SSIM高出0.008至0.045。
仿真引擎把任意自然图像当作待成像物体，按多线圈MRI的前向编码过程合成欠采样测量与全采样参考，让模型学的是反演映射而不是某种解剖或对比度的相关性。 仿真与真实测量之间的差距靠两件事缩小：一是让噪声水平和欠采样算子与评测时一致，二是为每个训练样本随机生成一套线圈配置，而不是复刻固定硬件。 训练数据取自SA-1B自然图像，随机赋予实部与虚部通道并做相位与幅度对齐；评测覆盖0.3 T的M4Raw到7 T的AHEAD、5 T的PCrCEST，以及脑、膝、脊柱、心脏、肝脏等部位。
模型容量和数据量可以一起放大：在仿真数据上，测试损失随数据规模和模型规模同步平滑下降，呈现近似幂律关系。 在最大的公开fastMRI Brain真实数据上放大模型规模，性能没有持续提升，反而出现明显过拟合；真实数据在解剖、对比度和采集特征上冗余度高。 在1.1百万仿真样本上训练、参数量最高到567M的模型，在CC-359、AHEAD Echo1和Stanford 2D等真实分布外测试集上随模型增大持续获益且未饱和；只用真实数据训练的模型超过中等规模后在分布外评测上退化。
启示与展望
验证集中在二维多层、仅幅度图像的回顾性欠采样评测：14个数据集中fastMRI Brain是唯一的同分布训练与测试来源，其余13个用于零样本迁移；临床可用性来自北京大学深圳医院阿尔茨海默病队列50名受试者的150例盲法阅片。作者提出下一步需要前瞻性、多中心研究，评估与临床扫描仪的集成并确定临床合适的加速倍数。
全部加速评测均为回顾性欠采样，尚未在真实扫描流程中前瞻性验证；研究限于二维多层、仅幅度重建，三维各向同性成像与相位敏感成像尚未覆盖；训练数据不含医学解剖内容，作者指出这对公平性的实际改善程度仍需系统评估。