ProxNF：用于高分辨率 4D 动态图像重建的神经场近端训练

准确的时空图像重建方法对于广泛的生物医学研究领域至关重要，但由于数据不完整和计算负担而面临挑战。数据不完整性源于为提高帧率通常所需的欠采样，而计算负担则源于具有三个空间维度和扩展时间范围的高分辨率图像的内存占用。神经场（Neural fields, NFs）是一类新兴的神经网络，作为时空对象的连续表示，此前已被引入通过将图像重建重构为网络参数估计问题来解决这些动态成像问题。神经场可以通过利用这些时空对象中的潜在冗余来解决数据不完整和计算负担的双重挑战。本文提出了 ProxNF，这是一种利用近端分裂方法将涉及成像算子的计算与网络参数更新分离开来，用于时空图像重建的新型神经场训练方法。具体而言，ProxNF 在图像域中评估数据保真度项的（子采样）梯度，并使用完全监督学习方法更新神经场参数。该方法在两项数值模体研究中得到了演示，并应用于小动物模型的肿瘤灌注成像体内实验，使用的是动态对比增强光声计算机断层扫描（DCE PACT）。