Scan-Adaptive MRI Undersampling Using Neighbor-Based Optimization (SUNO)

Siddhant Gautam

doi:10.1109/TCI.2026.3653330

Scan-Adaptive MRI Undersampling Using Neighbor-Based Optimization (SUNO)

2026-01-12

0

PRE

AI

Saiprasad Ravishankar

DOI：10.1109/TCI.2026.3653330

原文链接

原文求助

摘要

En 中文

加速MRI旨在通过更高效地采集数据来缩短扫描时间，例如通过优化脉冲序列或读出以增加每次激发的$k$-space覆盖率（如回波平面成像），或通过先进的重建方法采集部分$k$-space测量。通过部分$k$-space采集（即欠采样）实现加速已引起广泛关注，特别是在基于学习的重建方法兴起之后。近期研究探索了从患者群体（或扫描数据）中学习的人口适应性采样模式，这些模式通过针对数据集特定特征进行定制来优化采样模式设计，而非依赖通用方法。在此基础上，采样技术可进一步个性化至单个扫描级别，从而捕捉人口基线设计中可能被忽略的个体或体素特异性细节。为解决这一挑战性问题，我们提出了一种框架，用于从训练集中联合学习扫描适应性笛卡尔欠采样模式及相应的重建模型，以实现对单个扫描更定制化的采样。我们采用交替算法学习采样模式和重建模型，其中对训练集中每个样本采用基于迭代坐标下降（ICD）的离线优化方法，生成扫描适应性$k$-space采样模式。测试时，通过最近邻搜索从初始采集的低频$k$-space信息中选择扫描适应性采样模式。我们将所提出的框架（命名为SUNO）应用于fastMRI多通道膝关节和脑部数据集，在4倍和8倍加速因子下，相较于当前使用的欠采样模式，在视觉质量和定量指标方面均显示出性能提升。

Keyword:

Magnetic resonance imaging

sampling pattern optimization

deep learning

image reconstruction

iterative coordinate descent

nearest neighbor search

Scan-Adaptive MRI Undersampling Using Neighbor-Based Optimization (SUNO)

摘要

期刊

机构