[論文レビュー] B-FIRE: Binning-Free Diffusion Implicit Neural Representation for Hyper-Accelerated Motion-Resolved MRI

Di Xu, Hengjie Liu+12 more|arXiv (Cornell University)|Jan 7, 2026

Advanced Neuroimaging Techniques and Applications被引用数 0

ひとこと要約

B-FIRE は、ビニング不要の拡散・暗黙ニューラル表現フレームワークを導入し、ハイパー加速されたモーション解像 MRI を実現。非カーネーションなサンプリングデータから瞬時に 3D 腹部解剖を復元します。

ABSTRACT

Accelerated dynamic volumetric magnetic resonance imaging (4DMRI) is essential for applications relying on motion resolution. Existing 4DMRI produces acceptable artifacts of averaged breathing phases, which can blur and misrepresent instantaneous dynamic information. Recovery of such information requires a new paradigm to reconstruct extremely undersampled non-Cartesian k-space data. We propose B-FIRE, a binning-free diffusion implicit neural representation framework for hyper-accelerated MR reconstruction capable of reflecting instantaneous 3D abdominal anatomy. B-FIRE employs a CNN-INR encoder-decoder backbone optimized using diffusion with a comprehensive loss that enforces image-domain fidelity and frequency-aware constraints. Motion binned image pairs were used as training references, while inference was performed on binning-free undersampled data. Experiments were conducted on a T1-weighted StarVIBE liver MRI cohort, with accelerations ranging from 8 spokes per frame (RV8) to RV1. B-FIRE was compared against direct NuFFT, GRASP-CS, and an unrolled CNN method. Reconstruction fidelity, motion trajectory consistency, and inference latency were evaluated.

研究の動機と目的

• 4D MRI で位相平均再構成由来のアーティファクトを避けつつ、瞬時の動的情報を回復する必要性に動機づけられる。
• モーション解像 MRI のためのビニング不要の拡散・インプリシット神経表現（INR）フレームワークを開発する。
• モーション忠実性を有する高度に undersampled な非カーネルデータからの再構成を実現する。

提案手法

• CNN-インプリシット神経表現（INR）エンコーダ-デコーダ・バックボーンを使用する。
• 画像領域忠実性と周波数認識制約を組み合わせた拡散ベースの損失で訓練する。
• 推論時にはビニングフリーの undersampled データ上で動作させつつ、モーションビン訓練参照を活用する。
• 加速 RV8 から RV1 までの T1 重み付け StarVIBE 肝 MRI データに適用する。
• 直接 NuFFT、GRASP-CS、及びアンローリング CNN ベースラインと比較する。

実験結果

リサーチクエスチョン

• RQ1 ビニングフリーの拡散 INR は、極度に undersampled な非カーネル k 空間データからモーション解像 4D MRI を再構成できるか。
• RQ2 B-FIRE は伝統的なビニングベースアプローチより瞬時のモーション軌跡をより良く保持するか。
• RQ3 再構成忠実度と推論待機時間は、異なる加速因子に対して標準法と比べてどうか。
• RQ4 StarVIBE のような肝 MRI データで、さまざまな undersampling パターンで有効か。

主な発見

• B-FIRE は T1 重み付け StarVIBE 肝コホートでハイパー加速モーション解像 MRI 再構成を実現する。
• 本フレームワークはエンコーダ-デコーダ・バックボーンを持つ拡散強化 INR を使用する。
• 推論はビニングフリーの undersampled データ上で行われ、モーションビン参照で訓練される。
• 比較対象には直接 NuFFT、GRASP-CS、及びアンローリング CNN ベースラインを含む。
• 本研究は再構成忠実度、モーション軌跡の一貫性、推論待機時間を評価する。