K-Syn：极低数据量条件下的 K 空间数据合成
计算机视觉与模式识别
2025-09-10 v1
摘要
由于心脏磁共振（CMR）成像固有的动态和复杂特征，在实践中很少能获得高质量和多样化的 k 空间数据，这反过来又阻碍了动态心脏 MRI 的鲁棒重建。为了应对这一挑战，我们直接在频域进行特征级学习，并采用时间融合策略作为生成引导来合成 k 空间数据。具体而言，利用傅里叶变换的全局表示能力，频域可以被视为一个天然的全局特征空间。因此，与在图像域中使用像素级卷积进行特征学习和建模的传统方法不同，本文专注于在频域进行特征级建模，即使在极低数据量条件下也能实现稳定且丰富的生成。此外，利用频域特征级建模的优势，我们采用多种融合策略跨时间帧整合 k 空间数据，以引导并进一步优化生成轨迹。实验结果表明，所提出的方法在低数据量条件下具有强大的生成能力，表明其在缓解动态 MRI 重建中的数据稀缺方面具有实际潜力。
引用
@article{arxiv.2509.06997,
title = {K-Syn: K-space Data Synthesis in Ultra Low-data Regimes},
author = {Guan Yu and Zhang Jianhua and Liang Dong and Liu Qiegen},
journal= {arXiv preprint arXiv:2509.06997},
year = {2025}
}