Scan-Adaptive MRI Undersampling Using Neighbor-based Optimization (SUNO)
基本信息
- 标题：Scan-Adaptive MRI Undersampling Using Neighbor-based Optimization (SUNO)
- 作者：Siddhant Gautam, Angqi Li, Nicole Seiberlich, Jeffrey A. Fessler, Saiprasad Ravishankar
- 主题分类：Image and Video Processing (eess.IV)
- 提交历史：2025 年 1 月 16 日提交（v1），2026 年 1 月 15 日最后修订（v6）
- 发表信息：已被 IEEE Transactions on Computational Imaging 接收，Early Access, Jan. 2026, pp. 1-13
- DOI：https://doi.org/10.1109/TCI.2026.3653330
- 代码：https://github.com/sidgautam95/adaptive-sampling-mri-suno
摘要
加速 MRI 通过采集部分 $k$ 空间测量数据来缩短采集时间、减轻患者不适并减少运动伪影，通常采用规则欠采样模式或人工设计的采样方案。近期研究探索了从一组患者（或扫描）中学习得到的群体自适应采样模式。然而，这类模式对单次扫描而言可能是次优的，因为它们可能无法捕捉扫描或层面特有的细节，且其有效性可能依赖于群体的规模和构成。
为解决这一问题，本文提出了一种从训练集中联合学习扫描自适应笛卡尔欠采样模式与对应重建模型的框架。该框架采用交替算法，在学习采样模式和重建模型之间迭代，其中利用基于迭代坐标下降（ICD）的离线优化方法，为训练集中每个样本优化扫描自适应的 $k$ 空间采样模式。在测试阶段，则通过最近邻搜索从初始采集的低频 $k$ 空间信息中选取合适的扫描自适应采样模式。
作者将该框架（命名为 SUNO）应用于 fastMRI 多线圈膝关节和脑部数据集，在 $4\times$ 和 $8\times$ 加速因子下，无论视觉效果还是定量指标均优于当前使用的欠采样模式。
关键词
- 加速 MRI（Accelerated MRI）
- 欠采样模式（Undersampling patterns）
- 扫描自适应采样（Scan-adaptive sampling）
- 迭代坐标下降（Iterative Coordinate Descent, ICD）
- 最近邻搜索（Nearest neighbor search）
- 图像重建（Image reconstruction）