OpenULF：一个模块化工具包，支持经典与量子传感器的数据驱动超低场 MRI

超低场（ULF）磁共振成像（MRI）通过在低于 10 mT 的场强下运行，为传统扫描仪提供了一种便携、低成本的替代方案。在这些场强下，有两种传感器技术相互竞争：量子 SQUID（超导量子干涉器件）传感器，灵敏度高但需要低温冷却；以及经典感应线圈，价格低廉且可在室温下工作，但产生的信号较弱。在传统的基于物理的成像中，两者都受困于低信噪比（SNR）。数据驱动重建已在相关逆问题中克服了类似限制，但其在 ULF-MRI 中的应用一直受制于开放数据集、基准和灵活模拟器的缺乏。为填补这一空白，我们推出 OpenULF，一个模块化、开源的仿真工具包，可生成配对训练数据并支持端到端的机器学习（ML）重建。OpenULF 集成了经 Bloch 方程验证的物理模拟器、经校准的 SQUID 与线圈接收器模型、重建 ML 网络，以及自动化设计空间探索引擎。在架构上，接收器抽象基类、将物理与学习解耦的类型化 HDF5 契约，以及可断点续跑的扫描引擎，使传感器、模型和数据集均可独立替换。利用 OpenULF，我们在四个解剖数据集上训练了 774 个模型，并开展了三项设计空间探索。ML 重建的有效性在很大程度上取决于数据集和传感器。我们识别出约 450 $\mu$T 处的 SQUID 到线圈的交叉点，并证明在系统设计过程中，传感器硬件与 ML 模型容量可以权衡取舍。因此，传感器与重建方案的选择必须协同设计：最佳传感器由数据集和场强决定，而非由 SNR 决定。

中文由 AI 翻译，仅供参考，以原文为准。