利用解耦嵌入的MRI回顾性运动校正

生理运动会影响磁共振成像（MRI）的诊断质量。尽管存在多种回顾性运动校正方法，但许多方法难以在不同运动类型和身体区域之间泛化。特别是，基于机器学习（ML）的校正通常针对特定应用和数据集定制。我们假设，运动伪影虽然多种多样，但共享可被解耦并加以利用的潜在模式。为此，我们提出一种分层向量量化（VQ）变分自编码器，学习运动到干净图像特征的解耦嵌入。我们部署一个码本以在多个分辨率下捕捉有限集合的运动模式，从而实现由粗到细的校正。训练一个自回归模型以学习无运动图像的先验分布，并在推理时用于指导校正过程。与传统方法不同，我们的方法不需要针对特定伪影的训练，并且能够泛化到未见过的运动模式。我们在模拟的全身运动伪影上展示了该方法，并观察到在不同运动严重程度下均具有稳健的校正效果。结果表明，该模型有效解耦了模拟受运动扫描中的物理运动，从而提升了基于ML的MRI运动校正的泛化能力。我们关于运动特征解耦的工作揭示了其在不同解剖区域和运动类型中的潜在应用价值。