[論文レビュー] Back to Physics: Operator-Guided Generative Paths for SMS MRI Reconstruction

Chen, Zhibo, Yu Guan+6 more|arXiv (Cornell University)|Feb 8, 2026

Advanced Neuroimaging Techniques and Applications被引用数 0

ひとこと要約

この論文は、SMS MRI の指示子主導・物理情報に基づく再構成フレームワークを導入し、operator-conditional dual-stream network (OCDI-Net) を用いて SMS コイル-スライス干渉と平面内低サンプリングからの決定的な劣化をモデル化し、忠実度を改善しスライス漏れを低減させる2段階推論を可能にします。

ABSTRACT

Simultaneous multi-slice (SMS) imaging with in-plane undersampling enables highly accelerated MRI but yields a strongly coupled inverse problem with deterministic inter-slice interference and missing k-space data. Most diffusion-based reconstructions are formulated around Gaussian-noise corruption and rely on additional consistency steps to incorporate SMS physics, which can be mismatched to the operator-governed degradations in SMS acquisition. We propose an operator-guided framework that models the degradation trajectory using known acquisition operators and inverts this process via deterministic updates. Within this framework, we introduce an operator-conditional dual-stream interaction network (OCDI-Net) that explicitly disentangles target-slice content from inter-slice interference and predicts structured degradations for operator-aligned inversion, and we instantiate reconstruction as a two-stage chained inference procedure that performs SMS slice separation followed by in-plane completion. Experiments on fastMRI brain data and prospectively acquired in vivo diffusion MRI data demonstrate improved fidelity and reduced slice leakage over conventional and learning-based SMS reconstructions.

研究の動機と目的

• SMS の劣化を確率的ノイズではなく決定論的・演算子駆動プロセスとして扱う再構成体系を動機づける。
• 逆推定の軌道を取得演算子に合わせて整列させる演算子指向生成フレームワークを開発する。
• OCDI-Net を提案し、ターゲットスライス内容とスライス間干渉を分離し、演算子誘発劣化を予測する。
• SMS スライス分離を平面内データ完成と分離するために2段階推論パイプラインを導入する。
• fastMRI 脳データおよび前向きに取得した拡散 MRI データで忠実度の向上とスライス漏れの低減を示す。

提案手法

• SMS 再構成を既知の取得演算子CAIPI スライス変調とカルテジアン undersampling による決定論的劣化として定式化し、段階別劣化経路を構築する。
• OCDI-Net を導入し、拡散ステップ t と段階 M または U に条件付けられたターゲットコンテンツと干渉のデュアルストリーム U-Net が演算子誘発劣化を予測し、段階認識の逆更新を可能にする。
• 2段階推論を定義する：Stage-M はスライス分離、Stage-U は平面内完成、両方とも learned _t の予測を用いた演算子ガイド付き逆更新を使用する。
• 前向きの決定論的軌道 x_t = k* + α_t d_Ω および逆更新 x_{t-1} = x_t - α_t d̂_t を用い、d̂_t は OCDI-Net によって予測される。
• k-空間再構成の L1 損失と、信号忠実度を促す任意の画像領域損失を用いて訓練する。
• 高加速下での最適化の安定化と、疑似測定値および低周波アンカーによる段階間データ整合性の確保を活用する2段階推論を活用する。

実験結果

リサーチクエスチョン

• RQ1 演算子指向・物理情報を組み込んだ拡散様推論は、確率的拡散ベース手法および従来の SMS 再構成と比べて SMS MRI の再構成を改善できるか。
• RQ2 CAIPI によるスライス間干渉と平面内低サンプリングを決定論的劣化として明示的にモデル化することで、スライス漏れの抑制と高周波成分の保存が改善されるか。
• RQ3 2段階推論（スライス分離 → 平面内完成）は高 MB 因子と加速下でより安定した再構成を生み出すか。
• RQ4 OCDI-Net は retrospective fastMRI 脳データおよび prospective TJU DWI データでターゲット内容と干渉を効果的に分離して忠実度を高めるか。

主な発見

• 提案された演算子指向フレームワークは、従来手法および学習ベースの SMS ベースラインと比較して、fastMRI 脳データおよび前向き DWI データにおいて再構成忠実度の向上とスライス漏れの低減を実現した。
• OCDI-Net はターゲットスライス内容と構造化されたスライス間干渉を効果的に分離し、物理に整合した反転のための演算子誘発劃を予測する。
• 2段階推論はスライス分離と平面内完成をデカップリングし、高速化下での安定性を高め、MB 因子と R 値間の一貫性を改善する。
• retrospective-fastMRI シミュレーション（MB=3 およびさまざまな平面内加速）と前向き DWI データ（MB=2, R=2, b=1000）を含む実験は、SENSE、Slice-GRAPPA、RAKI、拡散ベースの SMS 手法などのベースラインに対して有利な性能を示す。