面向通用 MRI 重建的可扩展深度展开模型 SDUM
机器人学
2025-12-23 v2
摘要
临床 MRI 涵盖多样化的成像协议——包括解剖目标（心脏、脑、膝）、对比（T1、T2、映射）、采样模式（Cartesian、径向、螺旋、kt-space）以及加速度因子——但当前的深度学习重建方法通常针对特定协议，限制了泛化性和部署。我们引入可扩展深度展开模型 (SDUM)，一个通用框架，集成了基于 Restormer 的重构器、学习到的电感图估计器 (CSME)、采样感知加权数据一致性 (SWDC)、针对级联索引和协议元数据的通用条件 (UC) 以及渐进式级联扩展训练。SDUM 表现出类基础模型的规模行为：重建质量随参数数量呈对数增长，相关系数 r=0.986（R²=0.973），在最高 18 级联中表现良好，显示示模型深度可预测性增益。在 CMRxRecon2025 挑战赛的四个轨道——多中心、多疾病、5T 和儿童——上，训练单个 SDUM即可实现最先进结果，无需任务特定微调，相较于专用基线提升最高达 +1.0 dB。在 CMRxRecon2024 上，SDUM 超越获奖方法 PromptMR+ +0.55 dB；在 fastMRI 脑部数据集上，优于 PC-RNN +1.8 dB。消融实验验证了每个组件：SWDC 相对于标准 DC 提升 +0.43 dB，按级联 CSME 提升 +0.51 dB，UC 提升 +0.38 dB。这些结果确立了 SDUM 作为通用、可扩展 MRI 重建的实用路径。
引用
@article{arxiv.2512.17136,
title = {Towards Senior-Robot Interaction: Reactive Robot Dog Gestures},
author = {Chunyang Meng and Eduardo B. Sandoval and Ricardo Sosa and Francisco Cruz},
journal= {arXiv preprint arXiv:2512.17136},
year = {2025}
}
备注
Accepted at the Australasian Conference on Robotics and Automation (ACRA) 2025