MRI重建不再从临床原始数据学起:SIM用物理仿真训练,跨14个数据集零样本重建
SIM把MRI重建的训练数据来源从临床采集的原始k空间换成按多线圈成像物理规律生成的仿真样本,并用通用Transformer把数据量和模型容量一起放大。在14个公开与自建数据集上,它跨7个中心、5家厂商、0.3至7 T场强和十余种采集协议做零样本重建,PSNR比次优方法高1.06至3.95 dB;在150例盲法阅片中,SIM在某一加速倍数下诊断可用性达到100%,该倍数在原文中未给出。
SIM把MRI重建的训练数据来源从临床采集的原始k空间换成按多线圈成像物理规律生成的仿真样本,并用通用Transformer把数据量和模型容量一起放大。在14个公开与自建数据集上,它跨7个中心、5家厂商、0.3至7 T场强和十余种采集协议做零样本重建,PSNR比次优方法高1.06至3.95 dB;在150例盲法阅片中,SIM在某一加速倍数下诊断可用性达到100%,该倍数在原文中未给出。
本文提出 ESPIRiT-Diffusion——一种物理引导的基于分数的扩散重建框架,将多组 ESPIRiT 线圈灵敏度图的数据一致性约束引入 Langevin 方程,用于 8.8 倍与 10.7 倍加速、各向同性 0.6 mm³ 分辨率的颅内与颈动脉联合血管壁成像(VWI);回顾性实验(笛卡尔、CAIPI、变密度欠采样)中其重建表现优于 ESPIRiT、DL-ESPIRiT、SENSE-Diffusion 与 SPIRiT-Diffusion,并更好地保留细小血管壁结构;前瞻性患者实验中血管壁病灶显示良好,与 3 倍压缩感知参考相比,各血管节段及总体读者评分均无统计学显著差异。
已读完全部报道