基于轴向对齐的物理信息归一化高斯溅写与4D流动MRI超分辨率
计算机视觉与模式识别
2026-01-14 v2 人工智能
机器学习
摘要
4D流动磁共振成像(MRI)是一种可靠的、无创的血流速度估计方法，对于心血管诊断至关重要。不同于专注于解剖结构的传统MRI，4D流动MRI需要高时空分辨率，以实现对严重疾病如狭窄或动脉瘤的早期检测。然而，实现此类分辨率通常会导致扫描时间延长，在获取速度与预测准确性之间形成权衡。近期研究利用物理信息神经网络(PINNs)对MRI数据进行超分辨率，但其实际应用受限于该方法必须为每个患者进行缓慢的训练过程。为克服这一限制，我们提出PING-X，一种新颖的框架，通过轴向对齐的时空高斯表示来建模高分辨率流动速度。灵感来自3D高斯溅写(3DGS)在新视角合成中的有效性，PING-X通过几项非平凡的创新性扩展了这一概念：(i)具备形式收敛保证的归一化高斯溅写，(ii)轴向对齐的高斯，简化了高维数据的训练同时保持准确性和收敛保证，以及(iii)高斯合并程序以防止退化解并提升计算效率。在计算流体动力学(CFD)和真实4D流动MRI数据集上的实验结果表明，PING-X在显著降低训练时间的同时实现了卓越的超分辨率准确性。我们的代码和数据集已在https://github.com/SpatialAILab/PINGS-X上提供。
引用
@article{arxiv.2511.11048,
title = {PINGS-X: Physics-Informed Normalized Gaussian Splatting with Axes Alignment for Efficient Super-Resolution of 4D Flow MRI},
author = {Sun Jo and Seok Young Hong and JinHyun Kim and Seungmin Kang and Ahjin Choi and Don-Gwan An and Simon Song and Je Hyeong Hong},
journal= {arXiv preprint arXiv:2511.11048},
year = {2026}
}
备注
Accepted at AAAI 2026. Supplementary material included after references. 27 pages, 21 figures, 11 tables