全局到局部扩散模型下的零样本动态MRI重建

摘要扩散模型作为处理MRI重建挑战的有前景工具，已显示出相比传统方法在样本生成方面的卓越表现。然而，它们在动态MRI重建中的应用仍相对欠缺，主要是由于对全采样训练数据的巨大需求，这在动态MRI中因时空复杂性和高采集成本而难以获得。为了解决这个挑战，本文提出了一种零样本学习框架，从欠采样的k-空间数据直接进行准确的动态MR图像重建。具体而言，采用独特的时间交错采集方案，将来自相邻时间帧的欠采样k-空间数据合并，从而构建出伪全编码参考数据。此外，尽管合并所有帧增强了信噪比（SNR），但也降低了帧间相关性。相比之下，仅合并局部相邻帧可以保持帧间的独特性，但会降低SNR。因此，在扩散过程中应用两阶段细化策略，以学习全局到局部的先验，确保扩散模型有效捕捉数据分布以实现零样本重建。大量实验表明，该方法在降噪和细节保留方面表现良好，其重建质量可与监督方法相媲美。