快速无条件扩散模型在加速MRI重建中的创新应用：FDMR框架实现高质量图像重建与4-10倍速度提升

《Magnetic Resonance Imaging》：Fast unconditional diffusion model for accelerated MRI reconstruction

本文提出了一种创新的快速扩散模型FDMR，用于解决加速磁共振成像（MRI）重建中的关键挑战。该模型通过对抗性训练去噪扩散生成对抗网络（GAN）和学习无条件扩散先验，结合三阶段推理框架（快速扩散生成、早期停止的深度生成先验适应和扩散细化），显著提升了重建质量。实验表明，FDMR在保持高精度重建的同时，将推理速度加快4-10倍（仅需8秒），突破了传统扩散模型计算耗时的瓶颈，为临床MRI应用提供了高效解决方案。

　　

Section snippets

Deep learning for accelerated MR imaging

传统方法基于压缩感知（Compressed Sensing）并利用稀疏性（sparsity）、低秩性（low-rankness）和字典学习（dictionary learning）等先验进行欠采样重建。然而，计算机视觉的进步使深度学习方法成为处理欠采样重建任务的主流。与传统方法需要手动设计基于先验的约束不同，深度学习方法利用广泛的训练数据来学习MRI图像的内在特征。

MRI reconstruction

MRI采集可表述为：y = MFx + n，其中M代表用于采集k-空间数据的欠采样掩码，F表示将图像转换为k-空间数据的傅里叶变换，x表示无失真图像，n为采集噪声。MRI重建的目标是从欠采样的k-空间数据y中恢复无失真图像x。然而，当欠采样因子较高时，这一逆向问题变得不适定，导致图像产生伪影。

Proposed fast diffusion model for MRI reconstruction

提出的快速扩散模型FDMR旨在提升高欠采样下的重建质量并加速推理过程。FDMR框架包含两个主要组成部分：去噪扩散GAN的对抗性训练和三阶段推理框架。对抗性训练过程用于以大步长训练去噪扩散GAN，学习无条件扩散先验并嵌入深度生成先验。

Experiments

本节首先介绍实验中使用的数据集和基线方法，随后总结和分析实验结果。最后，我们进行消融研究以探讨FDMR框架的有效性。

Disscussion

本节通过消融研究探讨不同推理阶段组合的影响、推理阶段的超参数以及提出的快速扩散生成和扩散细化阶段的有效性。

Conclusion

本文提出了一种快速扩散MRI重建框架FDMR，它将扩散模型与深度生成先验相结合，以实现高质量MRI重建和快速推理速度。引入了去噪扩散GAN来学习扩散先验和深度生成先验，并设计了三阶段推理过程以加速扩散模型并提升重建质量。在两个MRI数据集上的大量实验表明，FDMR在重建质量和速度方面均表现出色。