基于无散度神经网络的无监督4D Flow MRI速度增强与解缠
机器学习
2026-04-02 v1
摘要
本工作提出了一种无散度且无混叠的神经网络（DAF-FlowNet），用于4D Flow磁共振成像（4D Flow MRI），该网络联合增强含噪速度场并校正相位缠绕伪影。DAF-FlowNet将速度参数化为向量势的旋度，从构造上强制质量守恒，并避免了显式的散度惩罚调参。余弦数据一致性损失可从缠绕相位图像中同时实现去噪与解缠。在基于计算流体动力学生成的合成主动脉4D Flow MRI上，DAF-FlowNet在不同噪声水平下相比现有方法取得了更低的误差（速度归一化均方根误差降低最多11%，方向误差降低11%，散度降低44%），并对适度的分割扰动具有鲁棒性。对于解缠，在峰值速度/速度编码比分别为1.4和2.1时，DAF-FlowNet实现了0.18%和5.2%的残余缠绕体素，分别相比最优替代方法降低了72%和18%。在同时存在噪声和混叠的场景中，所提出的单阶段公式优于最先进的顺序流水线（速度归一化均方根误差降低最多15%，方向误差降低11%，散度降低28%）。在10个肥厚型心肌病患者数据集上，DAF-FlowNet保留了精细尺度的血流特征，校正了混叠区域，并改善了内部血流一致性，如4D Flow MRI共识指南推荐的主动脉和肺循环质量守恒分析中所示平面间血流偏差减小。这些结果支持DAF-FlowNet作为一个统一速度增强与相位解缠的框架，以提高心血管4D Flow MRI的可靠性。
引用
@article{arxiv.2604.00205,
title = {Unsupervised 4D Flow MRI Velocity Enhancement and Unwrapping Using Divergence-Free Neural Networks},
author = {Javier Bisbal and Julio Sotelo and Hernán Mella and Oliver Welin Odeback and Joaquín Mura and David Marlevi and Junya Matsuda and Kotomi Iwata and Tetsuro Sekine and Cristian Tejos and Sergio Uribe},
journal= {arXiv preprint arXiv:2604.00205},
year = {2026}
}
备注
11 pages, 5 figures, 7 tables