ULF-Synth：面向儿童神经影像的物理导向超低场 MRI 增强
计算机视觉与模式识别
2026-05-26 v1
摘要
超低场 (ULF) MRI 提供可携带和可接近性神经影像，但相对于高场 (HF) 系统受限于信噪比和空间分辨率。获取配对 ULF-HF 数据进行监督性增强在资源受限环境下往往困难。我们引入 ULF-Synth 框架，其结合：(i) 基于采集的合成从 HF 体积创建逼真的 ULF 图像以生成大规模配对训练数据，(ii) 空间频率域目标优先恢复高频解剖细节。该表述是 architecture-agnostic 的，持续改善结构相似性和感知保真度，无论是 encoder-decoder、对抗性还是扩散基于的翻译模型。当仅在合成数据上训练时，所得模型对真实 64mT ULF 采集具有良好泛化性，改进下游多类别脑分割，达到更高的放射科医生偏好和诊断可接受性（盲审研究）。这些发现表明，合成配对监督为无需真实配对采集增强 ULF MRI 提供了实用且可扩展的路径。代码、模型和数据集：https://github.com/toufiqmusah/ULF-Synth
引用
@article{arxiv.2605.24625,
title = {ULF-Synth: Physics-Guided Ultra-Low-Field MRI Enhancement for Pediatric Neuroimaging},
author = {Toufiq Musah and Salvatore Calcagno and Federica Proietto Salanitri and Xiaomeng Li and Maruf Adewole and Marawan Elbatel},
journal= {arXiv preprint arXiv:2605.24625},
year = {2026}
}
备注
10 pages, 2 figures, 3 tables