学习MRI重建的富里埃受约束扩散桥梁
IEEE transactions on medical imaging
|March 13, 2026
概括
富里埃受约束的扩散桥梁 (FDB) 通过直接从低样本数据中学习dealiasing转换来提供改进的MRI重建. 与传统的基于噪音的方法相比,这种新的方法提高了文物抑制和图像质量.
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:
- 磁共振成像 (MRI) 的重建需要处理低样本数据以获得完全样本图像.
- 目前的任务不可知的扩散先验利用来自高斯噪声的基于denoising的生成轨迹,这可能导致由于MRI中别名的结构性质而导致低于最佳的文物抑制.
- 现有的方法难以有效地抑制低样本MRI数据中固有的别名文物.
研究的目的:
- 介绍富里埃受约束的扩散桥 (FDB),这是设计用于MRI重建的第一个扩散桥,它学习了直接脱离转换.
- 解决MRI重建的任务不可知扩散先验中的噪声控制生成轨迹的局限性.
- 通过增强文物抑制来提高重建的MRI图像的质量.
主要方法:
- FDB学习了从低样本到完全样本的MRI数据的dealiasing转换,绕过其前进过程中依赖高斯噪声.
- 一个随机的富里埃受约束的降解运算符通过逐渐去除空间频率来生成低样本的起点.
- 降解是通过二进制去除k空间集来实现的,与加速的MRI物理保持一致,并且一种新的渐进式dealiasing采样算法纠正了恢复的k空间数据.
主要成果:
- 与现有方法相比,FDB在MRI重建中表现出优越的性能.
- 域内重建显示了4.5dB的PSNR和8.3%的SSIM的改善.
- 跨域重建实现了更大的收益,PSNR改进了4.7dB,SSIM改进了16.4%.
结论:
- 富里埃受约束扩散桥 (FDB) 代表了MRI重建技术的重大进步.
- 通过学习直接的dealiasing转换,FDB有效地抑制了别名化工件,并提高了图像质量.
- 该方法显示了临床应用的巨大潜力,需要从加速采集中进行高准确度MRI重建.
