基于底采样 k 空间和外分布一般化的低场磁性共振图像质量提升

低场磁性共振成像 (MRI) 提供了诊断成像的经济实用途，但面临采集时间延长和图像质量下降等挑战。尽管通过 k 空间底采样可缩短扫描时间，但图像质量提升方法通常依赖于空间域后处理。深度学习在两个领域均实现了最新成果。然而，大多数模型是在分布内 (InD) 数据上训练和评估的，这导致我们在测试使用分布外 (OOD) 数据时的模型性能方面存在显著差距。为此，我们提出一种新框架，直接从底采样低场 MRI k 空间重建接近高场的 MR 图像，量化采样减少的影响，并使用 OOD 评估模型的通用性。我们的方法利用 k 空间双通道 U-Net 联合处理底采样 k 空间的实部和虚部，恢复缺失的频率内容，并包含集成策略生成不确定性图。低场脑 MRI 上的实验表明，我们的 k 空间驱动的图像质量提升优于空间域方法和其他最新基准，实现了与完整高场 k 空间采集相当的图像质量，同时使用 OOD 数据。就我们所知，这是首次将低场 MR 图像重建、基于底采样 k 空间的图像质量提升和不确定性量化集成到统一框架中。