控制k-space插值网络中空间相关性：去噪与假性模糊
医学物理
2026-02-17 v2
摘要
目的：可解释性是状态突破性机器学习（ML）方法在磁性共振成像（MRI）中临床应用的关键因素。传统的MRI重建评估高度依赖需要完全采样参考图像的聚合图像指标。这些指标继承自经典图像处理和自然图像ML，常常忽视医学图像重建特有的噪声放大挑战。本研究旨在分析非线性激活函数对k-space插值网络（RAKI）中空间噪声方差分布的影响，并提供一种在网络训练中纳入方差图（variance map）的框架。方法：我们提出了一种解析框架，将像素级噪声方差分解为反映RAKI线性特性和非线性特性的分量。通过对网络图像空间等效形式应用自动微分，可在每次训练迭代中计算方差图，从而实现数据一致性之外的运行时质量评估。我们引入 apparent blurring（假性模糊），量化非线性信号混合，且无需依赖参考图像。通过将方差图作为正则化器纳入训练损失，我们提出了自监督式RAKI架构（G-factor-informed RAKI, GIF-RAKI），可在运行时直接整合更新后的噪声特性。结果：实验结果表明，方差分量定量解释了网络行为。GIF-RAKI在图像保真度和噪声抑制方面优于传统RAKI变体。结论：我们的 метод论方法在ML-based MRI重建的实用与理论方面取得进展，通过恢复重建噪声表征作为绩效评估的基石，消除对完全采样参考值的需求。GIF-RAKI也实现了去噪与假性模糊之间的trade-off优化。
引用
@article{arxiv.2505.11155,
title = {Controlling spatial correlation in k-space interpolation networks for MRI reconstruction: denoising versus apparent blurring},
author = {Istvan Homolya and Jannik Stebani and Felix Breuer and Grit Hein and Matthias Gamer and Florian Knoll and Martin Blaimer},
journal= {arXiv preprint arXiv:2505.11155},
year = {2026}
}