关节线圈灵敏度和运动校正并行MRI与自校准的基于得分的扩散模型.

科学领域:

• 医疗成像医学成像
• 计算成像技术的成像
• 生物物理学的生物物理.

背景情况:

• 磁共振成像 (MRI) 对于诊断至关重要,但由于长时间的扫描时间和运动工件而受到影响.
• 现有的运动校正方法往往无法解决在快速MRI重建过程中对线圈灵敏度图 (CSM) 估计物件的影响.
• 在CSM估计中的错误可以传播,显著降低了运动校正算法的性能.

研究的目的:

• 提出JSMoCo,一种用于联合估计运动参数和可变时间线圈灵敏度图的新方法,用于加速MRI重建.
• 通过使用基于分数的扩散模型作为先验,并纳入MRI物理原理来解决联合估计的错误性.
• 通过考虑线圈灵敏度的动态变化来提高快速MRI运动校正的准确性和稳定性.

主要方法:

• 开发了JSMoCo,一种用于在样本不足的MRI中联合估计运动参数和时间变化的线圈灵敏度图 (CSM) 的方法.
• 利用基于分数的扩散模型作为强大的先验来限制错误的反向问题.
• 参数化了可训练变量的刚性运动,将CSM建模为多项式函数,并使用了Gibbs采样器来确保系统的一致性.

主要成果:

• 在模拟和实体实验中,JSMoCo成功地从样本不足的k空间数据中重建了高质量的MRI图像.
• 通过准确估计时间变化的线圈灵敏度,证明了强大的运动校正.
• 防止从预估的灵敏度图到最终重建图像的错误传播.

结论:

• 在快速MRI重建方面,JSMoCo提供了显著的进步,通过同时解决运动工件和动态线圈灵敏度变化.
• 拟议的方法提高了图像质量和运动校正的准确性,优于现有的技术.
• 以扩散模型和物理约束为指导的联合估计框架为加速MRI采集提供了强大的解决方案.