diffusion MRI 正在从“采集更多数据”走向“可信使用数据”的阶段，而自动质量控制正在成为连接影像采集、定量分析与临床转化的关键环节。我们希望回答的核心问题是：**能否让一个质控系统不仅判断 diffusion MRI 是否存在伪影，还能在判断之前先尝试理解和修复伪影？**这个问题并不只是工程优化。它关系到大规模、多中心 diffusion MRI 数据能否真正进入可重复、可解释、可复用的分析流程。下面，我们将讲清楚：这个问题为什么难、我们是怎么重新思考它的、我们得到了什么结果，以及这项工作仍然有哪些边界。
1. 问题为何重要
如果 diffusion MRI 的质量控制仍然主要依赖人工查看，后续的白质微结构分析、纤维束追踪、脑网络建模和临床预测都会受到不稳定数据的影响。尤其在多中心研究和临床真实世界数据中，质控不再是辅助步骤，而是决定数据能否进入分析链条的前置门槛。
现有方法存在几个难以回避的问题。
第一，许多方法仍然依赖二维切片或全局分类特征。它无法充分处理 diffusion MRI 的三维连续结构，尤其容易忽略跨层延续的局部伪影。
第二，主流质量评估往往只回答“好或坏”，却没有进一步回答“能不能修”。这会导致大量边缘质量数据被直接丢弃，降低临床数据的再利用价值。
第三，部分深度学习校正方法专注于去伪影，却忽略输入数据本身的质量状态。当高质量图像也被强行重建时，模型可能引入不必要的结构改变。
这些缺陷共同导致了一个长期现象：diffusion MRI 质控系统往往能筛除问题数据，却难以形成“评估—校正—再评估”的闭环。 这正是我们开展这项研究的根本动机。
2. 核心思路
我们跳出的第一个传统框架，是把质量控制仅仅看作分类问题。
不同于以往直接判断图像是否含有伪影，我们从“校正前后感知差异”的角度重新审视 diffusion MRI 质控。我们的想法是：如果一幅图像经过合理校正后与原图差异很小，它很可能本身质量较好；如果校正前后差异明显，则说明其中可能存在需要关注的伪影。
这就像医生判断一张影像是否可靠时，不只是看它“像不像正常图像”，还会关注经过标准化处理后，它是否暴露出异常变化。
基于这一视角，我们构建了一个两阶段框架。第一阶段用轻量化三维 U-Net 对不同 b 值下的 DWI 体数据进行伪影校正；第二阶段把校正后的图像作为“伪参考”，通过原图与校正图之间的感知差异进行无参考质量评估。
这一思想对应解决了前面提到的三个痛点。
针对二维方法难以捕捉三维连续性的问题，我们直接在三维体数据层面建模，让模型看到完整空间结构，而不是孤立切片。
针对“只筛除、不修复”的问题，我们把伪影校正嵌入质控流程，使低质量数据有机会被恢复和再利用。
针对校正方法可能改变高质量图像的问题，我们引入感知对比逻辑：质量评估不再只看输出图像，而是看输入与校正结果之间是否存在有意义的差异。
3. 关键发现
发现一：校正能力能够反过来增强质量评估。 我们发现，越能稳定恢复伪影图像的模型，越能为后续质量判断提供可靠参照。这填补了传统 diffusion MRI 质控中“评估”和“校正”相互割裂的空白。
发现二：三维感知对比比单纯分类更适合复杂伪影。 在 SUDMEX 数据集上，我们的方法在 ghost、swap、motion、eddy 和 bias 等多类伪影上取得接近或达到 100% 的分类准确率；在 spike 这类更局部、更细碎的伪影上，也保持了较稳定表现。这说明质控模型不仅需要识别全局异常，也要捕捉局部感知差异。
发现三：混合感知损失提升了跨协议稳健性。 我们没有只依赖传统像素误差，而是结合 Normalized Mean Absolute Error 和 Haar wavelet-based Perceptual Similarity Index，使模型同时关注体素级误差和感知结构保真度。在 AOMIC 这一采集协议不同的数据集上，该策略仍能保持较好的伪影检测与重建质量，说明它具有一定跨数据集适应能力。
4. 学术边界
坦诚地说，这项研究仍然存在几个具体边界。
第一，我们主要在 SUDMEX 和 AOMIC 两个公开 diffusion MRI 数据集上验证。虽然二者采集协议不同，但仍不足以代表所有临床扫描仪、疾病人群和多中心真实世界场景。
第二，实验中的多类伪影由 TorchIO 模拟生成。模拟伪影有利于建立可控对照，但真实临床伪影往往更复杂，可能同时混合运动、场不均匀、信号丢失和重建误差。
第三，我们的方法依赖“校正图像可作为伪参考”这一核心假设。当校正网络在某些极端伪影下恢复失败时，后续质量评估也可能受到影响。
未来，一个重要方向是将真实临床质控标签、多中心数据和扫描协议元信息纳入框架，使模型不仅能识别模拟伪影，也能适应真实临床工作流。另一个方向是进一步解释校正前后感知差异与 diffusion MRI 下游指标之间的关系，例如 FA、MD、纤维束追踪稳定性和脑网络拓扑变化。
5. 结尾
总体来看，我们的贡献不是简单提出一个新的质控分类器，而是尝试把 diffusion MRI 的伪影校正与质量评估整合为一个可闭环运行的感知对比框架。
完整引用：Yu, J., Wang, T., Xie, Y., Qin, J., & Wu, Y. Artifact correction and quality assessment via perceptual contrastive learning on diffusion MRI. IEEE 23rd International Symposium on Biomedical Imaging, 2026. DOI: 10.1109/ISBI61048.2026.11515861 代码链接：https://github.com/yjh200319/React-QC_Artifact_Correction_Quality_Assessment_On_dMRI