No Image, No Problem: End-to-End Multi-Task Cardiac Analysis from Undersampled k-Space
计算机视觉与模式识别
2026-03-11 v1 人工智能
摘要
常规临床 CMR 流程依赖于序列式 "重建-分析" 范式，导致不可避免的中间步骤引入可避免的伪影和信息瓶颈。这形成了根本的数学悖论：试图从欠采样 k 空间恢复高维像阵列（即图像），而非直接提取诊断实际所需的低维生理标签。为解锁 k 空间的直接诊断潜能，我们提出 k-MTR（k-space Multi-Task Representation），一种 k 空间表示学习框架，将欠采样 k 空间数据与全采样图像对齐到共享语义流形中。利用 42,000 名受试者的大规模受控仿真，k-MTR 强制要求 k 空间编码器在潜在空间中恢复欠采样导致的解剖信息，从而绕过下游分析的显式逆问题。我们展示，此潜在对齐使嵌入的稠密潜在空间能够直接从欠采样频率中携带高层生理语义。 在连续表型回归、疾病分类和解剖分割三个任务上，k-MTR 均实现了与最先进图像域基准的高度竞争的性能。通过展示精确的空间几何和多任务特征可成功从 k 空间表示中恢复，k-MTR 为面向任务感知的心脏 MRI 工作流程提供了稳健的架构蓝图。
引用
@article{arxiv.2603.09945,
title = {No Image, No Problem: End-to-End Multi-Task Cardiac Analysis from Undersampled k-Space},
author = {Yundi Zhang and Sevgi Gokce Kafali and Niklas Bubeck and Daniel Rueckert and Jiazhen Pan},
journal= {arXiv preprint arXiv:2603.09945},
year = {2026}
}