Motivación: El aprendizaje de cero disparos muestra promesas en varios dominios, pero permanece poco explorado en la reconstrucción de MRI debido a los desafíos inherentes para recuperar imágenes sin la supervisión de datos completamente muestreados. Objetivo(s): Desarrollar un marco de reconstrucción MRI de cero disparos estable que elimine la necesidad de datos de referencia completamente muestreados. Enfoque: Proponemos una estrategia dinámica de enmascaramiento en el espacio k inspirada en la modelación de imágenes enmascaradas, junto con la optimización conjunta de la reconstrucción de imágenes y la estimación de sensibilidad de la bobina. Resultados: KOMET muestra un rendimiento robusto a través de varios patrones de submuestreo (reducción de 4×, 8× con máscaras gaussianas y uniformes) en el conjunto de datos de rodilla FastMRI, superando los métodos tradicionales de imagen paralela y el reciente enfoque de cero disparos con 2dB de mejora en PSNR. Impacto: KOMET establece un nuevo marco para la reconstrucción MRI de cero disparos estable al adaptar la modelación enmascarada al dominio del espacio k. Este avance habilita una aceleración robusta sin datos de referencia completamente muestreados, allanando el camino para una aplicación clínica más amplia de MRI acelerada.
Kim et al. (Martes,) estudiaron esta cuestión.