用于 Transformer 引导的主动 MRI 采集的解剖学 Token 不确定性
计算机视觉与模式识别
2026-03-31 v2
摘要
MRI 的全数据采集本质上是缓慢的，这限制了临床吞吐量并增加了患者的不适感。压缩感知 MRI (CS-MRI) 旨在通过从欠采样的 k 空间数据重建图像来加速采集，这需要一个最优的采样轨迹和一个高保真度的重建模型。在这项工作中，我们提出了一种新颖的主动采样框架，该框架利用了预训练医学图像分词器（tokenizer）和潜在 Transformer 的固有离散结构。通过一个量化视觉 token 的字典来表示解剖结构，该模型在潜在空间上提供了一个定义良好的概率分布。我们利用此分布通过 token 熵导出一个原则性的不确定性度量，以指导主动采样过程。我们引入了两种策略来利用这种潜在不确定性：(1) 潜在熵选择 (LES)，将 patch 级的 token 熵投影到 k 空间域以识别信息量大的采样线；(2) 基于梯度的熵优化 (GEO)，通过总潜在熵损失的 k 空间梯度来识别不确定性最大减少的区域。我们在 fastMRI 单线圈膝关节和脑部数据集上以 8 倍和 16 倍加速评估了我们的框架。结果表明，我们的主动策略在感知指标和基于特征的距离上优于最先进的基线方法。代码可在 https://github.com/levayz/TRUST-MRI 获取。
引用
@article{arxiv.2603.21806,
title = {Anatomical Token Uncertainty for Transformer-Guided Active MRI Acquisition},
author = {Lev Ayzenberg and Shady Abu-Hussein and Raja Giryes and Hayit Greenspan},
journal= {arXiv preprint arXiv:2603.21806},
year = {2026}
}