9.1 AI赋能的序列设计

9.1 AI赋能的序列设计：从后处理到环路内

AI 进入 MRI 的第一站是图像增强：去噪、超分、伪影去除，产品化程度已经很高。但真正改写序列设计的不是这一层——是它在往上游走：走进重建环（与物理模型耦合的深度学习重建），再走进采集决策环（网络实时决定下一步采哪里）。本节沿这条演进线，把 AI 的三层角色、各自的能力边界与验证要求讲清。

三层角色与各自的账本

第一层：后处理增强。网络在成品图像上做去噪、超分、去伪影，不接触原始 K 空间。账本简单、部署容易，但有两个先天问题：它"知道"的物理只有训练分布里隐含的那些；以及它无法挽回采集端已经丢掉的信息——超分网络可以锐化边缘，但欠采导致的缠绕它解不开。第二层：物理感知重建。把深度网络嵌入迭代重建目标函数（数据保真项 + 学习先验），网络学的是"正则化器"而非"图像本身"。它保留了物理约束的账本——欠采数据必须与采样模型自洽，幻觉的自由度因此小于纯后处理。压缩感知（5.3）与它的关系是直接的：CS 的手工稀疏先验换成学习先验，重建质量显著提升，但"先验参与塑造图像"的本质没变。第三层：采集决策环。网络在扫描过程中实时读已采数据，决定下一笔采什么——按需采样（哪里信息多采哪里）、自适应对比度（对比度够了就提前收工）、甚至序列参数的在线调整。这层目前是研究前沿，但方向明确：序列设计从"预先排好的固定账本"走向"实时规划的决策过程"。

验证体系的升级

8.2 的四步验证链对 AI 重建同样适用，但要多出两项 AI 专属检查。分布外测试：网络的性能在训练分布（某场强、某线圈、某人群）内最优，分布外（儿童、异常解剖、金属植入）表现必须单独考核——AI 重建的失败模式不是噪声变大，而是"自信地给出错误图像"，这正是幻觉风险的可怕之处。保真审计：感知质量指标（SSIM、PSNR）衡量"像不像参考"，不衡量"真不真实"；定量应用要建立"下游任务指标"——用重建结果算出的 T1 值是否与全采金标准一致，比图像好看与否更根本。监管层面（FDA/NMPA 对 AI 重建产品的审查）已经把"训练数据代表性 + 分布外性能 + 幻觉边界"列为标准问项，序列设计师若参与 AI 重建部署，这些是必须能回答的问题。

一个完整的参数推演案例

背景：某平台部署加速 6 倍的深度学习重建膝关节序列，放射科报告偶发"半月板内可疑信号"复查后消失的假阳性。操作：回溯审计——抽 50 例含可疑信号的病例，用同数据的线性重建（GRAPPA ×2）与金标准全采（外推模拟）三方比对。结果：可疑信号中 78% 在全采参考中不存在，属网络补全产生的结构；且全部集中在欠采伪影的高发位置（G 因子热点区）——网络把"应该补成噪声的区域"补成了"看起来像组织的纹理"。处置：重建置信度图叠加显示（网络输出的不确定度图），低置信区在图像上做半透明标记；报告规范增加"AI 重建图像的阴性预测价值在高加速区下降"的提示。解读：幻觉不是随机噪声而是有空间规律的结构，位置与欠采地形相关——这给了临床一套可操作的防御（置信度图 + 地形意识）。变式：若把加速倍数从 6 降到 4，幻觉发生率下降但时间收益同步缩水——AI 重建的部署参数本质上还是 1.3 的 SNR 标度律账本，只是币种从"噪声"换成了"幻觉风险"。

边界与坑

第一个坑：把 AI 重建当"免费加速"。幻觉风险、分布外失效、监管成本都是账单上的真实条目，6 倍加速的"免费"是营销语言不是工程语言。第二个坑：训练数据与部署环境脱节。在某场强某线圈上训练的网络换平台直接用，是当前部署事故的头号来源。第三个坑：跳过线性对照通道。AI 重建成为默认输出后，团队会逐渐失去"原始数据长什么样"的手感——保留一条线性重建通道，既是质控也是教学。

环路内决策的状态机

采集决策环的工程骨架是一个受约束的状态机：状态是"已采数据的信息量评估"，动作是"下一组采样的选择"，奖励是"单位时间的诊断信息增益"，而安全边界是硬编码的——SAR、扫描时长、最低 SNR 红线不参与学习，只参与否决。这个设计哲学把 AI 的角色限定在"在物理许可的空间里挑路"，而不是"自己发明路"。决策环的一个隐蔽难点是奖励函数的可验证性：信息增益要用下游任务（分割精度、定量误差）定义，而这些指标在全采参考上才可靠，训练与部署之间隔着分布迁移。当前最稳的落地形态是半自动：AI 给采样建议、人给终止确认，把最贵的错误（提前终止或无限扫描）锁在人工闸门后。决策环的成熟曲线，本质上是奖励函数设计科学的成熟曲线。

训练数据的代表性与审核

AI 重建的可靠性天花板由训练数据的地形决定，审训练集要审三张图。第一张：场强/线圈/序列参数的分布直方图——部署环境的配置在直方图主峰附近吗？在尾巴里的配置注定性能打折。第二张：人群解剖的覆盖图——儿童、术后、金属植入者在训练集里的比例，决定这些人群能不能用。第三张：病理多样性图——训练集以健康志愿者为主的重建器，遇到大范围病灶可能"把病理修成正常"，这是最危险的失败模式。三张图审完，训练集的盲区地图就有了，部署时按图设置禁用区。这条审核纪律的成本极低（要的就是数据集的元数据统计），却是当前 AI 重建部署流程里最常被跳过的一步——跳过的代价由最边缘的患者支付。

本节要点回顾：AI 三层角色按物理约束强弱排幻觉风险；验证标准从感知质量转向下游任务保真；幻觉有空间规律，置信度图与地形意识是临床防御。下一节看另一个自由度爆炸的方向——超高场。