[논문 리뷰] B-FIRE: Binning-Free Diffusion Implicit Neural Representation for Hyper-Accelerated Motion-Resolved MRI

Di Xu, Hengjie Liu외 12명|arXiv (Cornell University)|2026. 01. 07.

Advanced Neuroimaging Techniques and Applications인용 수 0

한 줄 요약

B-FIRE는 binning-free diffusion implicit neural representation 프레임워크를 초고속 모션-해상 MRI에 적용하여 undersampled non-Cartesian k-space 데이터로부터 즉시 3D 복부 해부학 재구성을 가능하게 한다.

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.

연구 동기 및 목표

• 4D MRI에서 위상 평균 재구성으로 인한 인공물을 제거하고 즉시 동적 정보를 회복할 필요성에서 출발
• motion-resolved MRI를 위한 binning-free diffusion-implicit neural representation(INR) 프레임워크를 개발
• motion fidelity를 가진 highly undersampled non-Cartesian k-space 데이터에서 재구성 가능하게 함

제안 방법

• CNN-implicit neural representation(INR) 인코더-디코더 백본을 사용
• 이미지 도메인 충실도와 주파수 인식 제약을 결합한 diffusion 기반 손실로 학습
• binning-free undersampled 데이터에서 추정하는 동안 motion-bin 레퍼런스를 활용
• RV8에서 RV1까지 가속화를 가진 T1-weighted StarVIBE 간 MRI 데이터에 방법 적용
• 직접 NuFFT, GRASP-CS 및 unrolled CNN 베이스라인과 비교

실험 결과

연구 질문

• RQ1 binning-free diffusion INR이 극도로 undersampled 비-카르티esian k-space 데이터로부터 motion-resolved 4DMRI를 재구성할 수 있는가?
• RQ2 B-FIRE가 전통적인 binning 기반 접근법보다 즉시 모션 궤적을 더 잘 보존하는가?
• RQ3 재구성 충실도와 추론 지연 시간은 가속화 계수에 따라 표준 방법과 비교해 어떻게 되는가?
• RQ4 StarVIBE와 같은 간 MRI 데이터에 대해 varying undersampling 패턴에서 방법이 효과적인가?

주요 결과

• B-FIRE는 T1-weighted StarVIBE 간 샘플에서 hyper-accelerated motion-resolved MRI 재구성을 가능하게 한다.
• 프레임워크는 encoder-decoder 백본을 갖춘 diffusion-augmented INR를 사용한다.
• motion-bin 레퍼런스로 학습하고 binning-free undersampled 데이터에서 추론을 수행한다.
• 비교 대상에는 direct NuFFT, GRASP-CS, 그리고 unrolled CNN 베이스라인이 포함된다.
• 연구는 재구성 충실도, 모션 궤적 일관성, 추론 지연 시간을 평가한다.