传统磁共振成像善于制造对比，却不容易回答一个更直接的问题：同一像素里究竟包含多少种可量化的组织属性。T1 加权、T2 加权或灌注图像往往由不同序列分别获得，信号还会同时受到场不均匀、射频误差和运动等因素影响。多次扫描不仅耗时，各参数图之间也可能发生配准偏差。
磁共振指纹成像（magnetic resonance fingerprinting，MRF）把问题改写为一次动态编码与一次联合解码。扫描过程中主动改变翻转角、重复时间、回波时间或标记模块，让不同组织产生可区分的时间信号轨迹；随后用物理模型生成的信号库或学习到的逆映射，将每个体素的轨迹转换为多张定量参数图，并且 这套框架已经从 T1、T2 和质子密度扩展到分子交换、脑灌注、微血管结构与血氧状态。
为什么需要磁共振指纹成像？
常规参数成像通常逐项估计组织属性，并尽量让其他影响保持不变。真实组织却不会按这种方式分离：一次测量可能同时受到弛豫、磁化转移、化学交换、流动、扩散和磁场不均匀的影响。若把这些效应拆成多次独立扫描，联合信息会被削弱，扫描时间和跨序列误差也随之增加。
MRF 的核心选择是保留这种多因素耦合，并让信号随时间发生有计划的变化。只要不同参数组合生成的轨迹具有足够低的相关性，模型便可从一组动态信号中同时估计多个属性。由此得到的定量图来自同一次采集，天然共定位；但可分辨的参数仍由序列敏感性、信噪比和模型可辨识性共同决定，增加输出参数并不会自动增加可靠信息。
方法核心
MRF 包含三个相互约束的部分。第一部分是动态采集。翻转角、TR、TE、射频相位、饱和功率或动脉自旋标记状态按预设序列变化，使磁化保持在瞬态而非等待稳定状态。螺旋、径向或其他欠采样轨迹可缩短采集；其伪影应在时间上与真实指纹不相干，才能在匹配或重建中被抑制。
第二部分是前向模型。Bloch 方程、扩展相位图、Bloch McConnell 方程或血管网络模型根据采集参数、目标组织属性以及 B0、B1 等混杂因素生成模拟轨迹。所有候选轨迹构成字典。字典的范围决定模型能覆盖哪些生理状态，采样步长决定离散匹配的分辨率，模型遗漏则可能形成系统偏差。
第三部分是逆问题求解。经典做法计算实测轨迹与字典条目的归一化内积，选择相似度最高的条目并读出对应参数。低秩压缩可减少时间维度，分组检索可缩小搜索范围。深度学习则用模拟信号训练网络，直接预测连续参数，推理速度快且不受离散网格限制；它仍依赖训练分布与前向模型，超出训练范围的输入不能仅凭一张外观平滑的参数图判定为可信。
图1.磁共振指纹成像的通用框架：变化的序列参数产生体素指纹，模拟字典与实测轨迹匹配后输出多参数图。
主要分析流程
1.明确要估计的参数及其预期范围。参数必须能通过当前场强、序列模块和时间采样留下可区分的信号特征。
2.建立前向模型，并把 B0、B1、切片轮廓、部分容积或血流通过效应纳入需要控制的维度。模型复杂度应服务于问题，而不是追求参数数量。
3.设计采集日程。优化目标应直接针对参数可辨识性、精度和总采集时间，而不能只追求单帧图像清晰。MRF 的动态图像序列是中间产物，最终参数图质量更重要。
4.生成字典或训练数据。范围过窄会截断真实值，网格过粗会产生量化误差，维度过多又会使字典规模迅速膨胀。稀疏采样、低秩表示和神经网络可缓解计算负担。
5.采集并重建体素轨迹。欠采样、运动和系统误差应在轨迹层面检查，不能只凭最终图像判断数据质量。
6.完成匹配或网络推理，同时输出拟合相似度、残差、不确定性或超范围标记。只有参数图而没有质量指标，难以识别模型失配。
7.按数值模拟、体模、动物、健康志愿者和患者逐级验证。分子成像可对照已知浓度、pH 和组织学；血流动力学可与 ASL、DSC 或其他参照测量比较。
深度磁共振指纹成像
深度 MRF 适合处理维度较高的分子模型。化学交换饱和转移（CEST）和半固体磁化转移信号可同时受到交换速率、可交换质子体积分数、水池 T1 与 T2、B0 和 B1 的影响。完整字典会随参数维度快速增长，离散匹配也可能耗时。基于稀疏模拟字典训练的网络可学习从动态信号到连续参数的映射，并把重建从逐项搜索改为前向推理。
具体分析时，先确定分子靶标和生物物理模型，再设计能够区分目标参数的饱和功率、持续时间与频偏日程。合成信号需要使用与实测一致的归一化方式，并加入符合采集条件的噪声。验证应从数字体模和已知浓度、pH 的实体体模开始，再进入动物、志愿者和患者数据。若扫描场强、脉冲形状或目标参数范围改变，既有网络应重新评估，必要时重新训练。
图2.深度分子 MRF 的完整链路，包括实验设计、生物物理建模、神经网络训练以及分子浓度和 pH 等定量应用。
脑血流动力学与血氧应用
MR 血管指纹成像（MR vascular fingerprinting，MRvF）把体素内微血管网络写入前向模型。血管几何、血容量和血氧状态改变局部磁场分布，从而改变多回波或瞬态信号轨迹。早期实现主要估计脑血容量、平均血管半径和血氧饱和度；更新的无对比剂方案将真实三维血管网络、Bloch 模拟、低维重建与循环神经网络结合，尝试同时生成弛豫、场图和血管参数图。
这些输出是模型条件下的参数估计，并非显微镜下血管结构的直接照片。血管几何先验、扩散与流动效应、磁敏感性来源、运动和对比剂动力学都会影响结果。参数图进入临床问题前，应通过高分辨率血管成像、组织学、标准灌注方法或重复扫描验证。
图3.无对比剂 MRvF 的序列、三维血管模拟、深度重建和定量参数图。
MRF 与动脉自旋标记结合后，可用变化的标记与对照模块同时编码灌注动力学和组织弛豫。单室模型主要描述已进入组织的标记水；双室模型进一步考虑仍在动脉内通过的信号，可估计脑血流量、动脉或团注到达时间等参数。字典维度会随模型参数增加而扩大，神经网络可以明显缩短重建，但训练数据是否覆盖异常血流状态仍决定其外推能力。
图4.MRF ASL 与 DSC 在烟雾病受试者中的参数图比较及到达时间关联。
如何解读定量结果
MRF 参数值描述的是观测轨迹在既定模型和参数范围内的最佳解释。高匹配度说明轨迹与候选模型相近，却不能证明模型完整；神经网络的低残差也不能排除训练分布以外的输入。阅读参数图时，应同时查看信号残差、参数边界聚集、空间异常和重复性，并确认不同参数之间是否存在强耦合。
跨设备、跨中心或纵向比较还需要统一或校准脉冲序列、场强、重建版本和质量控制体模。已有研究支持 MRF 的重复性潜力，但具体误差取决于序列和实现。单个参数与疾病、代谢或预后的关联只能视为候选影像标志物，独立队列、参照测量和临床结局验证仍不可省略。
适合回答的研究问题
MRF 适合需要在一次采集中联合估计多个耦合参数的问题，例如 T1、T2 与场不均匀的同步定量；也适合有可靠前向模型但传统逐参数拟合过慢的问题，例如 CEST 分子交换和微血管磁敏感性。对于希望缩短多序列扫描、保持参数图共定位或探索复杂组织微环境的项目，MRF 提供了统一框架。
如果目标只需一个稳定参数，且成熟单参数序列已经足够，MRF 的建模和验证成本未必合理。若缺少可信前向模型、训练范围无法覆盖目标人群，或没有可用的参照测量，参数数量越多，解释风险反而越高。
结语
MRF 的关键不是把多张定量图压缩到一次扫描，而是让采集、物理模型和反演算法围绕同一个参数识别问题协同设计。通用 MRF 以瞬态轨迹和字典匹配建立基础；深度学习缓解高维字典和计算瓶颈；分子成像与脑血流动力学则展示了这一框架如何进入更复杂的生理参数空间。
实践应用的关键取决于三个环节是否闭合：序列确实编码目标参数，模型覆盖主要混杂因素，输出经过逐级外部验证。满足这些条件时，MRF 才能把图像对比转化为可比较、可重复和可检验的定量测量。
参考文献
1. Ma D, Gulani V, Seiberlich N, et al. Magnetic resonance fingerprinting. Nature. 2013;495:187–192. doi:10.1038/nature11971.
2. Ma D. MR fingerprinting: concepts, implementation and applications. In: Advances in Magnetic Resonance Technology and Applications. Vol 4. Elsevier; 2021:435–449. doi:10.1016/B978-0-12-822479-3.00044-0.
3. Vladimirov N, Cohen O, Heo HY, et al. Quantitative molecular imaging using deep magnetic resonance fingerprinting. Nature Protocols. 2025;20:3024–3054. doi:10.1038/s41596-025-01152-w.
4. Coudert T, Delphin A, Barrier A, et al. MR Fingerprinting for Imaging Brain Hemodynamics and Oxygenation. Journal of Magnetic Resonance Imaging. 2025;0:1–21. doi:10.1002/jmri.29812.
)
