基于深度学习的算法在磁共振参数图像重建问题中已经显示出巨大的应用潜力。深度学习算法利用深度神经网络（例如，ResNet、U-Net等）直接将采集得到的磁共振加权图像映射到参数图像，提升了参数图像重建的精确性和速度。但是，通用的深度学习算法对于不同采集参数获取的数据的泛化性能相对较差。
2024年5月，南方医科大学生物医学工程学院冯衍秋团队通过融合参数成像中的物理模型信息和深度学习，提出了一种基于模型的磁共振参数图像重建网络（Model-based Magnetic resonance Parameter Mapping Network，MMPM-Net），其对于加权图像的采集参数的变化有很强的鲁棒性，同时具有较好的可解释性。该研究在大脑横向弛豫率 R2（1/T1）参数和纵向弛豫率R1（1/T1）参数图像重建任务中对MMPM-Net对于噪声和数据采集过程中回波时间（TE）和翻转时间（TI）的设置变化的鲁棒性进行了测试和评估。结果显示，MMPM-Net能够实现快速准确、高可重复性的R2参数和R1参数图像重建。此外，相较于其他基于模型的深度学习算法，MMPM-Net对于加权图像采集参数的设置的变化有更好的泛化性能。该研究以“A model-based MR parameter mapping network robust to substantial variations in acquisition settings”为题，发表在国际顶级学术期刊《医学影像分析》上。