基于条件得分扩散模型的幅度-only MR 图像相位图合成及其在加速 MRI 重建模型训练中的应用
计算机视觉与模式识别
2026-05-05 v1
摘要
由深度学习（DL）训练的图像重建模型驱动的加速磁振量子引导成像（MRI）需要大量且多样化的原始 k 空间数据集。在大多数临床 MRI 应用中，由于存储和患者隐私 concerns，原始 k 空间数据被丢弃，只有幅度-only 图像被保存。因此，DL-based MRI 重建文献的大部分要么依赖小型训练数据集，要么使用少数几个可用开源 k 空间数据集之一。与此同时，日益增长的匿名幅度-only 图像注册/数据库激发开发能够使用它们作为训练数据集以适用于通用 DL-based 重建模型的技术。本文提出通过采用基于条件得分扩散模型（SBDMs）的生成方法来解决这一挑战：给定幅度-only MR 图像，它合成一个与幅度-only 图像对应的现实相位图。我们评估了其生成能力于下游 DL-based 重建任务中，通过将 SBDM 合成的相位图与相应的幅度-only 图像组合，生成大型 k 空间数据集，然后使用该 k 空间数据集训练 DL 模型进行加速 MRI 重建。我们比较了所得 DL 模型性能与以下方法：(a) 使用光滑相位的朴素方法，(b) 使用来自生成对抗网络派生的合成相位图生成的 k 空间训练数据集，以及(c) 真实 ground truth k 空间数据。我们的结果表明，基于 SBDM 合成的 k 空间数据训练的 DL 模型在定量指标以及定性观察的重建保真度方面优于其他方法，即是否包括可能对诊断准确性产生不利影响的错误或幻觉特征。
引用
@article{arxiv.2605.01185,
title = {Phase-map synthesis from magnitude-only MR images using conditional score-based diffusion models with application in training of accelerated MRI reconstruction models},
author = {M. Berk Sahin and Dilek Yalcinkaya and Abolfazl Hashemi and Behzad Sharif},
journal= {arXiv preprint arXiv:2605.01185},
year = {2026}
}