UniFS: 通过频-空融合的统一多对比度MRI重建
计算机视觉与模式识别
2025-12-08 v1 人工智能
摘要
最近，多对比度MRI重建（MCMR）成为一个热门研究课题，利用高质量的辅助模态重建感兴趣的目标欠采样模态。然而，现有方法往往难以在不同的k空间欠采样模式之间泛化，需要为每种特定模式训练单独的模型，这限制了它们的实际适用性。为了解决这一挑战，我们提出了UniFS，一个统一频-空融合模型，旨在处理MCMR任务中的多种k空间欠采样模式而无需任何重新训练。UniFS集成了三个关键模块：跨模态频域融合模块、自适应掩码提示学习模块和双分支互补精化模块。这些模块协同工作，从不同的k空间欠采样模式中提取域不变特征，同时动态适应其自身的变化。现有MCMR方法的另一个局限是它们倾向于仅关注空间信息而忽略频域特征，或仅提取浅层频域特征，因此未能充分利用互补的跨模态频域信息。为了缓解这一问题，UniFS引入了一个自适应提示引导的频域融合模块用于k空间学习，显著增强了模型的泛化性能。我们在BraTS和HCP数据集上评估了模型，涵盖各种k空间欠采样模式和加速因子，包括之前未见过的模式，以全面评估UniFS的泛化能力。多个场景下的实验结果表明UniFS达到了最先进的性能。我们的代码可在https://github.com/LIKP0/UniFS获取。
引用
@article{arxiv.2512.05481,
title = {UniFS: Unified Multi-Contrast MRI Reconstruction via Frequency-Spatial Fusion},
author = {Jialin Li and Yiwei Ren and Kai Pan and Dong Wei and Pujin Cheng and Xian Wu and Xiaoying Tang},
journal= {arXiv preprint arXiv:2512.05481},
year = {2025}
}