[論文レビュー] Solving a Nonlinear Blind Inverse Problem for Tagged MRI with Physics and Deep Generative Priors

Zhangxing Bian, Shuwen Wei+5 more|arXiv (Cornell University)|Mar 1, 2026

Advanced MRI Techniques and Applications被引用数 0

ひとこと要約

InvTagは、非線形のブラインド逆問題を解くことにより、時間系列タグ付きMRIから解剖画像の回復、高解像 cine 合成、および3D 運動推定を統合します。

ABSTRACT

Tagged MRI enables tracking internal tissue motion non-invasively. It encodes motion by modulating anatomy with periodic tags, which deform along with tissue. However, the entanglement between anatomy, tags and motion poses significant challenges for post-processing. The existence of tags and imaging blur hinders downstream tasks such as segmenting anatomy. Tag fading, due to T1-relaxation, disrupts the brightness constancy assumption for motion tracking. For decades, these challenges have been handled in isolation and sub-optimally. In contrast, we introduce a blind and nonlinear inverse framework for tagged MRI that, for the first time, unifies these tasks: anatomical image recovery, high-resolution cine image synthesis, and motion estimation. At its core, the synergy of MR physics and generative priors enables us to blindly estimate the unknown forward imaging models and high-resolution underlying anatomy, while simultaneously tracking 3D diffeomorphic Lagrangian motion over time. Experiments on tagged brain MRI demonstrate that our approach yields high-resolution anatomy images, cine images, and more accurate motion than specialized methods.

研究の動機と目的

• タグ付きMRIにおける運動追跡、タグ分離、超解像の結合を動機づけ、対処する。
• 高解像解剖、タグなし Cine 系列、運動場を同時に回復する統一的で非線形のブラインド逆フレームワークを開発する。
• MR物理を活用してブラーとタグ形成を制約しつつ、拡散 priors を用いて解剖を正則化する。
• 外部の対になった訓練データなしに未知の前方モデル成分（PSF、タグパラメータ、フェード）を推定する。
• 問題を解くための拡散 prior を用いた安定的な座標降下最適化（CDDP）を提案する。

提案手法

• 観測されたタグ付きMRIを基礎解剖a、タグパターンq_alpha、PSF h_gamma、フェード f_beta_t、運動 φ_t に結びつける式 g_t^Box = h_gamma^Box * phi_t^* (a · f_beta_t(q_alpha^Box)) を定式化する。
• PSFを gamma = (gamma_perp, gamma_parallel, gamma_thru) の各成分を持つ異方性3Dガウスとしてパラメータ化する。
• 基本タグパターン q_alpha^Box を α を共有パラメータとする SPAMM様の正弦関数として表現し、振幅、間隔、位相、DCオフセットを捕捉する。
• タグフェード f_beta_t をアフィン変換としてモデル化する： f_beta_t(q) = |beta_1,t · q + beta_2,t|。
• 運動を物理情報を用いたニューラルネットワーク（PINN）を介して静止速度場を出力し、指数写像を用いて微分同相性を保証する φ_t の微分同相として記述する。
• 前方モデルをパラメータ化された形で解く： A_t^Box(a; alpha, gamma, beta_t, theta_t) = h_gamma^Box * phi_theta_t^*(a · f_beta_t(q_alpha^Box))。
• 非線形のブラインド逆問題に対処するため、解剖サンプリングと拡散 priors の交互更新、および前方モデルパラメータの ML 更新を組み合わせた座標降下戦略（CDDP）を採用する。

実験結果

リサーチクエスチョン

• RQ1 単一のフレームワークで、時系列タグ付きMRIから高解像度解剖、タグなし Cine 系列、および3D運動を同時に回復できるか。
• RQ2 MR物理と深層生成 priors を融合して、未知の PSF、タグパラメータ、フェードをブラインド推定しつつ、時間的解剖一貫性を保てるか。
• RQ3 拡散 priors に基づく逆問題（座標降下を用いた）で、外部のタグ付き/ Cine 訓練データなしに安定かつ正確な再構成を得られるか。
• RQ4 専門的でタスク特化型の手法と比較して Cine 品質と運動精度における定量的改善はどの程度か。

主な発見

Method	Timeframe	PSNR	SSIM
LowpassFuse	t=1	26.43 ± 1.40	0.62 ± 0.06
LowpassFuse	t=6	26.68 ± 1.39	0.66 ± 0.05
HARP Demodulation	t=1	24.28 ± 1.26	0.52 ± 0.04
HARP Demodulation	t=6	23.93 ± 1.17	0.54 ± 0.03
Ours	t=1	28.38 ± 1.41	0.83 ± 0.04
Ours	t=6	28.41 ± 1.36	0.84 ± 0.03

• InvTag は 3D タグ付き MRI から高解像解剖再構成、タグなし Cine 合成、および微分同相運動推定を達成する。
• 非線形ブラインド設定で PSF、タグパラメータ、フェードを訓練データを用いずに共同推定でき、訓練データを必要としない。
• CDDP は拡散ベースの解剖サンプリングと前方モデルパラメータ更新を交互に実行して安定的な最適化を提供する。
• タグ付き脳 MRI のシミュレーションでは、InvTag が Cine へのタグ変換（PSNR/SSIM が高い）でベースラインを上回る。
• InvTag を用いた運動推定は、学習ベースおよび最適化ベースのベースラインより平均 EPE および EPE@95 が小さく、微分同相性を保つ（NegDet がほぼゼロ）。
• 回転ゲルファントムの実データでは、ドメインギャップがあるにもかかわらず拡散 priors による一般化を示す。