通过隐性神经表示指导的扩散模型的后面采样,高度加速的MRI.

科学领域:

• 医疗成像医学成像
• 计算成像技术的成像
• 人工智能在医学中的应用

背景情况:

• 加快磁共振 (MR) 成像采集对于减少扫描时间和提高患者舒适度至关重要.
• 传统的方法用于从未采样的k空间数据中重建MR图像,由于数据的一致性不足,通常难以获得准确性和稳定性.
• 扩散模型对MRI图像重建有希望,但现有的后端采样技术缺乏可靠的指导.

研究的目的:

• 开发一种用于扩散模型的新型后部采样器,该采样器集成了隐性神经表示 (INR) 以增强MR图像重建.
• 提高MRI图像重建的准确性,通用性和稳定性,特别是在高加速度因子下.
• 创建一个可通用的框架来解决医学成像中的反向问题.

主要方法:

• 介绍了DiffINR,这是一种用于扩散模型的新型后部采样器,利用隐式神经表示 (INR).
• 在INR组件中集成了扩散前分布和MR物理模型,以确保数据准确性.
• 评估了在分布式数据集中以不同的加速度因子 (高达R=12) 和在不同的组织对比度和解剖结构中评估的DiffINR.

主要成果:

• DiffINR在MRI图像重建中表现出卓越的性能,精确度非常高,即使在高加速度系数下也是如此.
• 该方法在各种组织对比度和解剖结构中表现出极好的通用性,重建不确定性低.
• 与传统的后端采样方法相比,在准确性,通用性和稳定性方面取得了显著的改进.

结论:

• DiffINR显著提高了MRI图像重建的准确性,通用性和稳定性,使扫描时间更快.
• 拟议的基于INR的后部采样器为加速MR采集提供了一个有希望的方法.
• DiffINR框架显示了在解决各种医学成像模式的反向问题的更广泛应用的潜力.