基于Hankel-k空间一次性生成先验的并行成像重建

磁共振成像是临床诊断的重要工具。然而，其采集时间长。深度学习的应用，尤其是深度生成模型，为磁共振成像提供了激进的加速与更好的重建。尽管如此，将学习数据分布作为先验知识并从有限数据重建图像仍具挑战。本工作中，我们提出一种新颖的Hankel-k空间生成模型（HKGM），可从少至一个k空间数据的训练集生成样本。在先验学习阶段，我们首先由k空间数据构造大Hankel矩阵，然后从中提取多个结构化k空间块以捕获不同块间的内部分布。从Hankel矩阵提取块使生成模型能从冗余低秩数据空间学习。在迭代重建阶段，观察到期望解遵从所学先验知识。中间重建解通过作为生成模型输入而更新。更新结果随后交替施加其Hankel矩阵低秩惩罚与测量数据的数据一致性约束。实验结果证实，单个k空间数据内块的内部统计携带足够信息以学习强大生成模型，并提供最先进的重建。