GENRE-CMR：面向多样化多域心脏 MRI 重建的通用深度学习方法
图像与视频处理
2025-10-30 v2 计算机视觉与模式识别
摘要
加速心血管磁共振（CMR）图像重建仍然是一个关键挑战，因为扫描时间与图像质量之间存在权衡，尤其是在跨多样化采集设置进行泛化时。我们提出 GENRE-CMR，这是一种基于生成对抗网络（GAN）的架构，采用残差深度展开重建框架以提高重建保真度和泛化能力。该架构将迭代优化展开为一系列卷积子网络，并通过残差连接实现从浅层到深层的渐进特征传播。为进一步提升性能，我们集成了两种损失函数：（1）边缘感知区域（EAR）损失，引导网络聚焦于结构信息丰富的区域，有助于防止常见的重建模糊；（2）统计分布对齐（SDA）损失，通过对称 KL 散度公式在多样化数据分布之间正则化特征空间。大量实验证实 GENRE-CMR 在训练数据和未见数据上均超越最先进方法，在各种加速因子和采样轨迹下，于未见分布上达到 0.9552 SSIM 和 38.90 dB PSNR。消融实验证实了每个提出组件对重建质量和泛化能力的贡献。我们的框架为高质量 CMR 重建提供了一个统一且鲁棒的解决方案，为在异质化采集协议上的临床可适配部署铺平了道路。
引用
@article{arxiv.2508.20600,
title = {GENRE-CMR: Generalizable Deep Learning for Diverse Multi-Domain Cardiac MRI Reconstruction},
author = {Kian Anvari Hamedani and Narges Razizadeh and Shahabedin Nabavi and Mohsen Ebrahimi Moghaddam},
journal= {arXiv preprint arXiv:2508.20600},
year = {2025}
}