ContextMRI：通过元数据条件化增强压缩感知 MRI

压缩感知 MRI 通过减少 k-space 采样并算法性重建缺失数据来加速 MRI 采集过程。此类方法的成功往往依赖强先验或学习的统计模型。虽然最近基于扩散模型的先验显示出巨大潜力，但以往方法通常忽略临床可获得的元数据（如患者人口学、影像参数、切片相关信息）。实际上，元数据包含关于解剖结构与采集协议的有意义线索，表明其可进一步约束重建问题。本文提出 ContextMRI，一种基于文本条件的扩散模型，用于 MRI，将粒粒度元数据整合到重建过程中。我们直接在 minimally 处理的、复数型 MRI 图像上训练像素空间扩散模型。在推断时，元数据被转换为结构化文本提示，并通过 CLIP 文本嵌入输入模型。通过对先验进行元数据条件化，我们实现更精确的重建，并在多个数据集、加速因子和欠采样模式中 consistently 实现性能提升。我们的实验表明，元数据的保真度——从切片位置、对比度到患者年龄、性别和病灶——系统性地提升了重建性能。这一工作凸显了利用临床背景解决逆问题的潜在价值，为元数据驱动的 MRI 重建开辟了新方向。