皮斯科:自我监督的k空间规范化,以改善动态MRI的神经隐性k空间表示
Veronika Spieker1, Hannah Eichhorn2, Wenqi Huang3
1Institute of Machine Learning in Biomedical Imaging, Helmholtz Munich, Munich, Germany; School of Computation, Information and Technology, Technical University of Munich (TUM), Munich, Germany; Millenium Institute for Intelligent Healthcare Engineering, Santiago, Chile.
Medical image analysis
|December 10, 2025
概括
我们介绍了PISCO,一个自我监督的k空间损失函数,以改进动态MRI的神经隐性k空间表示 (NIK). 通过强制执行无需额外数据的k空间一致性,PISCO提高了重建质量,特别是在高加速度因子时.
科学领域:
- 医疗成像医学成像
- 人工智能的人工智能
- 信号处理 信号处理
背景情况:
- 神经隐性k空间表示 (NIK) 显示出动态MRI的前景.
- 缩短的采集时间导致了NIK的过度装配和性能下降.
研究的目的:
- 引入一种新的自我监督的k空间损失函数,LPISCO,用于NIK规范化.
- 提高基于NIK的动态MRI重建的性能,特别是在加速获取条件下.
主要方法:
- 开发了一个自我监督的k空间损失函数,并行成像启发的自我一致性 (PISCO).
- 在NIK中强制执行一致的全球k空间邻居关系.
- 对静态和动态MR重建进行了PISCO评估.
主要成果:
- 皮斯科显著改善了NIK表示和动态MRI重建质量.
- 在高加速度因子 (R ≥50) 实现了优越的时空重建.
- 与最先进的方法相比,NIK使用PISCO避免了时间过度平滑.
结论:
- PISCO是一个多功能,自我监督的K空间损失函数,用于NIK.
- 它增强了动态MRI重建,而不会影响时间分辨率.
- 皮斯科展示了在MRI重建和其他架构中更广泛应用的潜力.


