基于神经表示的无监督运动补偿心脏MRI重建
图像与视频处理
2025-11-18 v2 计算机视觉与模式识别
摘要
心脏磁共振 (CMR) 成像广泛用于表征心脏形态与功能。为加速CMR成像，已提出各种方法从高度不完整的k空间数据中恢复高质量的时空CMR图像。然而，当前的CMR重建技术要么未实现令人满意的图像质量，要么受限于真值数据稀缺，导致临床应用范围受限。本文提出MoCo-INR，一种新型无监督方法，将隐式神经表示 (INR) 集成到传统运动补偿 (MoCo) 框架中。通过显式运动建模和INR的连续性先验，MoCo-INR可产生准确的心脏运动分解和高质量CMR重建。此外，我们引入专为CMR问题量身定制的INR网络架构，显著稳定模型优化。在回顾性（模拟）数据集上的实验表明，MoCo-INR在状态最佳方法之上，实现了快速收敛和细节精准的重建，在极高加速度因子（如VISTA采样下的20倍）下亦表现出色。此外，在前瞻性（真实获取）自由呼吸CMR扫描上的评估显示，MoCo-INR在临床实用性方面具有优势。进一步的消融研究进一步确认了MoCo-INR关键组件的有效性。
引用
@article{arxiv.2511.11436,
title = {Unsupervised Motion-Compensated Decomposition for Cardiac MRI Reconstruction via Neural Representation},
author = {Xuanyu Tian and Lixuan Chen and Qing Wu and Xiao Wang and Jie Feng and Yuyao Zhang and Hongjiang Wei},
journal= {arXiv preprint arXiv:2511.11436},
year = {2025}
}
备注
Accepted by AAAI-26