面向3D实时心血管MRI的多动态低秩深度图像先验（ML-DIP）
图像与视频处理
2025-12-08 v4
摘要
目的：开发一种从高度欠采样数据中进行3D实时锥形心血管磁共振（CMR）重建的框架，且无需完全采样的训练数据集。方法：我们开发了多动态低秩深度图像先验（ML-DIP）框架，该框架使用独立的神经网络对空间图像内容和变形场进行建模。这些子网络在每次扫描中联合训练，以直接从欠采样的k空间数据中重建动态图像序列。对ML-DIP进行评估，包括（i）带有模拟的 premature 心房早搏（PVCs）的3D锥形数字幽灵；（ii）10名健康受试者（其中包括两名在休息和运动时扫描的受试者）；（iii）12名有PVCs史的患者。幽灵结果采用峰值信噪比（PSNR）和结构相似性指数（SSIM）进行评估。体内性能通过比较左心室功能定量（针对2D实时锥形）和图像质量（针对2D实时锥形和基于分箱的5D-Cine）进行评估。结果：在幽灵研究中，ML-DIP在仅需两分钟扫描时间的情况下实现PSNR > 29 dB和SSIM > 0.90，成功恢复心脏运动、呼吸运动和PVC事件。在健康受试者中，ML-DIP得到的功能测量值与2D锥形相当，且图像质量优于5D-Cine，包括在心率较高且有大位移的运动状态下。在PVC患者中，ML-DIP保留了单位之间的变异性并重建了不规则的心跳，而5D-Cine由于分箱存在运动伪影和信息丢失。结论：ML-DIP通过从欠采样数据中学习低秩空间和运动表示，实现了超过1000倍的加速度，实现高质量的3D实时CMR，且无需依赖外部完全采样的训练数据集。
引用
@article{arxiv.2507.19404,
title = {A multi-dynamic low-rank deep image prior (ML-DIP) for 3D real-time cardiovascular MRI},
author = {Chong Chen and Marc Vornehm and Zhenyu Bu and Preethi Chandrasekaran and Muhammad A. Sultan and Syed M. Arshad and Yingmin Liu and Yuchi Han and Rizwan Ahmad},
journal= {arXiv preprint arXiv:2507.19404},
year = {2025}
}