NexOP：低场磁共振成像中 NEX 感知的 k 空间采样与图像重建联合优化
图像与视频处理
2026-05-13 v1 人工智能
计算机视觉与模式识别
机器学习
信号处理
摘要
现代低场磁共振成像 (MRI) 技术为标准的场 MRI 提供了一种引人注目的替代方案，具有便携、低成本的系统。然而，其临床应用受到低信噪比 (SNR) 的限制，这阻碍了诊断图像质量。提高 SNR 的常用方法是通过重复信号采集，即 NEX，但这会导致过长的扫描时间。尽管最近的工作引入了通过 k 空间采样优化来加速 MRI 扫描的方法，但 NEX 维度仍未得到利用；通常，所有重复使用单一的采样掩模。在此，我们引入 NexOP，这是一个用于多 NEX 采集中采样与重建联合优化的深度学习框架，专为低 SNR 环境量身定制。NexOP 能够在固定的采样预算约束下，优化扩展的 k 空间-NEX 域上的采样密度概率，并引入一种新的深度学习架构，用于从多个低 SNR 测量中重建单幅高 SNR 图像。使用原始低场 (0.3T) 脑部数据的实验表明，在不同的加速因子和组织对比度下，NexOP 在定量和定性上均持续优于竞争方法。结果还表明，NexOP 产生了非均匀采样策略，随着重复次数的增加，采样密度逐渐降低，从而高效地利用了 NEX 维度。此外，我们提出了支持这些数值观察的理论分析。总体而言，这项工作提出了一个非常适合低场 MRI 的采样-重建优化框架，该框架能够利用低成本系统实现更快、更高质量的成像，并有助于推动可负担且可及的医疗保健。
引用
@article{arxiv.2605.11583,
title = {NexOP: Joint Optimization of NEX-Aware k-space Sampling and Image Reconstruction for Low-Field MRI},
author = {Tal Oved and Efrat Shimron},
journal= {arXiv preprint arXiv:2605.11583},
year = {2026}
}