基于双重深度先验与低秩加稀疏建模的动态 MRI 重建
图像与视频处理
2026-05-19 v1 信号处理
摘要
从欠采样测量中重建动态 MRI 是一个具有挑战性的逆问题，需要在电影系列各帧中同时保持空间重建质量和时间一致性。虽然近期基于学习的方法取得了强劲的性能，但它们严重依赖大型训练数据集（多为全采样数据集），否则可能泛化能力较差。相比之下，免训练数据方法（如深度图像先验 (DIP)）直接适应单次扫描，但往往无法充分利用时间结构且容易过拟合。由于大型、公开、高质量数据集有限，这些方法对动态 MRI 尤具吸引力。在本工作中，我们提出了一个用于动态 MRI 重建的结构化 DIP 框架，通过低秩加稀疏 (L+S) 分解显式地对时空相关性进行建模。我们不直接重建电影图像序列，而是使用两个 DIP 无训练卷积神经网络对低秩背景和稀疏动态组件进行参数化，并使用加速外推 ADMM (eADMM) 进行联合优化。该公式将 DIP 的隐式正则化与经典 L+S 正则化的可解释性相结合。我们针对存在基于 DIP 的非凸参数化的情况，提供了所提出 eADMM 算法的收敛性分析。特别地，我们建立了充分的下降性质，并证明生成序列的每个聚点都是相关 Lyapunov 函数的临界点。在各种加速因子下，我们的数值结果表明，所提出的方法始终优于经典重建技术以及现有的有监督和无监督 MRI 重建技术。
引用
@article{arxiv.2605.18709,
title = {Dynamic MRI Reconstruction Via Dual Deep Priors and Low-Rank Plus Sparse Modeling},
author = {Yongliang Sun and Siddhant Gautam and Chaoyan Huang and Nicole Seiberlich and Ismail Alkhouri and Saiprasad Ravishankar},
journal= {arXiv preprint arXiv:2605.18709},
year = {2026}
}