具有双网格循环校正与几何先验蒸馏的可解释 MRI 重建网络

尽管现有的基于深度学习压缩感知的磁共振成像（CS-MRI）方法已取得相当令人印象深刻的性能，但此类方法的可解释性和泛化性仍是挑战，因为从数学分析到网络设计的过渡并不总是足够自然，且它们大多不够灵活，难以处理多采样率重建任务。{在本文中，为解决可解释性和泛化性问题，我们提出了一种统一深度展开多采样率可解释 CS-MRI 框架。} 该组合方法比以往工作具有更强的泛化性，而深度学习通过几何先验模块获得了可解释性。受多重网格算法启发，我们首先将基于 CS-MRI 的优化算法嵌入由三部分组成的校正-蒸馏方案：预松弛模块、校正模块和几何先验蒸馏模块。此外，我们采用条件模块自适应学习步长和噪声水平，使所提框架能通过单一模型联合训练多采样率任务。{所提模型不仅补偿了重建图像丢失的上下文信息（该信息由几何特征 k 空间中的低频误差细化而来），}还融合了基于模型方法的理论保证与基于深度学习方法优越的重建性能。因此，它为我们设计生物医学成像网络提供了新视角。{数值实验表明，我们的框架在定性和定量评估上均优于最先进的方法。}{我们的方法在笛卡尔采样掩码下，于脑数据集上 CS 率低至 10% 时取得 3.18 dB 提升，且平均比其他对比方法高 1.42 dB。