利用扩散生成模型优化压缩感知MRI的采样模式
机器学习
2026-02-13 v2 图像与视频处理
摘要
磁共振成像（MRI）是一种强大的医学成像模态，但较长的采集时间限制了通量、患者舒适度和临床可及性。基于扩散的生成模型可作为强图像先验，用于加速MRI重建以减少扫描时间，并对采集模型的变化具有鲁棒性。然而，大多数现有基于扩散的方法未利用MRI中联合设计采样模式与重建方法的独特能力。尽管先前基于学习的方案已针对端到端展开网络优化采样模式，但由于后验采样的计算负担，用于基于扩散重建的类似方法尚未建立。在本工作中，我们提出一种利用扩散模型作为先验来优化k空间采样模式以加速多线圈MRI重建的方法。我们引入基于单步后验均值估计的训练目标，避免了对昂贵迭代重建过程的反向传播。随后提出一种贪心策略用于学习笛卡尔采样模式，该策略利用预训练扩散模型的梯度信息选择信息量大的k空间位置，同时强制样本间的空间多样性。跨多个解剖结构和加速因子的实验结果表明，使用优化采样模式的扩散模型相比固定和已学习基线模式实现了更高质量的重建。
引用
@article{arxiv.2306.03284,
title = {Optimizing Sampling Patterns for Compressed Sensing MRI with Diffusion Generative Models},
author = {Sriram Ravula and Brett Levac and Yamin Arefeen and Ajil Jalal and Alexandros G. Dimakis and Jonathan I. Tamir},
journal= {arXiv preprint arXiv:2306.03284},
year = {2026}
}