MASC：基于强化学习的金属感知抽样与校正用于加速 MRI
计算机视觉与模式识别
2026-02-03 v1
摘要
MRI中的金属植入物会导致严重的伪影，降低图像质量并阻碍临床诊断。传统方法将金属伪影消除(MAR)和加速 MRI采集作为独立问题处理。我们提出MASC，一个统一的强化学习框架，用于加速 MRI的金属感知 k-space 抽样和伪影校正。为实现监督训练，我们构建了一个配对 MRI 数据集，通过基于物理的仿真生成带无金属植入物和有金属植入物的 k-space 数据及重建。该配对数据集提供了带无金属植入物和有金属植入物的模拟 3D MRI 扫描，每个金属损坏样本都有一个恰好匹配的干净参考，使人们能够直接监督伪影消除和采集策略学习。我们将主动 MRI 采集形式化为序列决策问题，一个面向伪影的近端策略优化(PPO)智能体学习在有限采集预算下选择 k-space 相位编码线。该智能体作用于经 U-Net 基于 MAR 网络处理的欠抽样重建上，学习模式以最大化重建质量。我们进一步提出了端到端训练方案，其中采集策略学习选择最佳支持伪影消除的 k-space 线，而 MAR 网络同时适应结果欠抽样模式。实验表明，MASC 学习到的策略优于常规抽样策略，端到端训练在使用冻结预训练 MAR 网络时优于后者，验证了联合优化的好处。跨数据集实验在FastMRI上进行基于物理的伪影仿真，进一步确认了对真实临床 MRI 数据的泛化性。MASC的代码和模型已公开提供：https://github.com/hrlblab/masc
引用
@article{arxiv.2602.00348,
title = {MASC: Metal-Aware Sampling and Correction via Reinforcement Learning for Accelerated MRI},
author = {Zhengyi Lu and Ming Lu and Chongyu Qu and Junchao Zhu and Junlin Guo and Marilyn Lionts and Yanfan Zhu and Yuechen Yang and Tianyuan Yao and Jayasai Rajagopal and Bennett Allan Landman and Xiao Wang and Xinqiang Yan and Yuankai Huo},
journal= {arXiv preprint arXiv:2602.00348},
year = {2026}
}