基于时空高斯表示的时序体积MR成像动态重建与运动估计框架(DREME-GSMR)
医学物理
2026-04-09 v1 机器学习
摘要
时序体积MR成像能够在亚秒级内重建3D MRI以解析可变形运动，对于运动自适应放疗至关重要。将患者解剖结构及相关运动场表示为3D高斯，我们开发了一个时空高斯表示框架(DREME-GSMR)，能够在无需任何先验解剖/运动模型的情况下，从治疗前3D MR扫描实现时序动态MRI重建。DREME-GSMR使用3D高斯表示参考MRI体积和相应的低秩运动模型（以运动基分量表示），并采用双路径MLP/CNN运动编码器从原始k空间导出信号估计运动模型的时序运动系数。此外，利用求解的运动模型，DREME-GSMR可直接从新的在线k空间数据推断运动系数，从而实现后续治疗中体积MR成像与运动追踪（实时成像）。进一步引入运动增强策略以提高实时成像中对未见运动模式的鲁棒性。DREME-GSMR在XCAT数字幻影、物理运动幻影以及来自6名健康志愿者和20名患者的MR-LINAC数据集上进行了评估（独立序贯扫描用于交叉评估）。DREME-GSMR以约400ms的时间分辨率重建MRI，每次体积推理时间约10ms。在XCAT实验中，DREME-GSMR在动态重建/实时成像中分别达到SSIM均值(标准差)0.92(0.01)/0.91(0.02)、肿瘤质心误差(COME)0.50(0.15)/0.65(0.19)mm和DSC 0.92(0.02)/0.92(0.03)。对于物理幻影，动态/实时成像的平均目标COME分别为1.19(0.94)/1.40(1.15)mm；对于志愿者和患者，实时成像的平均肝脏COME分别为1.31(0.82)mm和0.96(0.64)mm。
引用
@article{arxiv.2604.06482,
title = {Spatiotemporal Gaussian representation-based dynamic reconstruction and motion estimation framework for time-resolved volumetric MR imaging (DREME-GSMR)},
author = {Jiacheng Xie and Hua-Chieh Shao and Can Wu and Ricardo Otazo and Jie Deng and Mu-Han Lin and Tsuicheng Chiu and Jacob Buatti and Viktor Iakovenko and You Zhang},
journal= {arXiv preprint arXiv:2604.06482},
year = {2026}
}
备注
57 pages, 10 figures