[논문 리뷰] Solving a Nonlinear Blind Inverse Problem for Tagged MRI with Physics and Deep Generative Priors

Zhangxing Bian, Shuwen Wei외 5명|arXiv (Cornell University)|2026. 03. 01.

Advanced MRI Techniques and Applications인용 수 0

한 줄 요약

InvTag는 시간 시퀀스 태깅 MRI로부터 해부학적 이미지 복원, 고해상도 시네 합성, 그리고 3D 운동 추정을 비선형적이고 블라인드 역문제를 해결함으로써 MR 물리학과 확산 사전 정보를 혼합하여 통합한다.

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.

연구 동기 및 목표

• 태깅 MRI에서 움직임 추적, 태그 분리, 초해상도 간의 결합을 동기 부여하고 다룬다.
• 고해상도 해부학, 태깅 없는 시네 시퀀스, 그리고 운동장을 공동으로 복원하는 통합된 비선형 블라인드 역 프레임워크를 개발한다.
• 블라인드 프레임워크에서 해부학을 규제하기 위해 확산 사전을 이용하고 블러와 태그 형성을 제약하기 위해 MR 물리학을 활용한다.
• 외부의 짝지어진 훈련 데이터 없이도 알려지지 않은 순방향 모델 구성요소(PSF, 태그 매개변수, 페이딩)를 추정한다.
• 문제를 해결하기 위한 확산 사전 기반의 안정적 좌표 하강(CDDP) 최적화를 제안한다.

제안 방법

• 관찰된 태깅 MRI를 기본 해부학 a, 태그 패턴 q_alpha^Box, PSF h_gamma, 페이딩 f_beta_t, 모션 phi_t와 연결하는 식으로 g_t^Box = h_gamma^Box * phi_t^*(a · f_beta_t(q_alpha^Box)) + n_t^Box를 형식화한다.
• PSF를 gamma = (gamma_perp, gamma_parallel, gamma_thru)인 비등방성 3D 가우시안으로 매개변수화한다.
• 기본 태그 패턴 q_alpha^Box를 알파 공유 매개변수로 진폭, 간격, 위상, DC 오프셋을 포착하는 SPAMM 유사 사인 함수로 표현한다.
• 태그 페이딩 f_beta_t를 일차 변환으로 모델링: f_beta_t(q) = |beta_1,t · q + beta_2,t|.
• 모션을 물리 정보 신경망(PINN)을 통해 정지 속도장을 출력하고 지수 사상을 사용하여 미분가능성(diffeomorphism)을 보장하는 디포노미피(phi_t)로 기술한다.
• 순방향 모델을 매개변수화된 형태 A_t^Box(a; alpha, gamma, beta_t, theta_t) = h_gamma^Box * phi_theta_t^*(a · f_beta_t(q_alpha^Box))로 해결한다.
• 비선형 블라인드 역문제를 해결하기 위해 해부학 샘플링과 확산 사전의 교대를 포함한 좌표 하강 전략(CDDP)과 forward-model 매개변수의 ML 업데이트를 적용한다.

실험 결과

연구 질문

• RQ1 단일 프레임워크가 시간 시퀀스 태깅 MRI로부터 고해상도 해부학, 태그 없는 시네 시퀀스, 그리고 3D 운동을 공동으로 복원할 수 있는가?
• RQ2 MR 물리학과 심층 생성 사전은 불확실 PSF, 태그 매개변수, 페이딩을 블라인드 추정하면서 해부학의 시간적 일관성을 유지하도록 어떻게 융합될 수 있는가?
• RQ3 확산 사전 기반의 역전(좌표 하강 포함)이 외부의 태그된/시네 훈련 데이터 없이도 안정적이고 정확한 재구성을 산출하는가?
• RQ4 전문화된 작업별 방법과 비교했을 때 시네 품질과 운동 정확도에서의 정량적 이점은 무엇인가?

주요 결과

방법	시간 프레임	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

• InvTag는 3D 태깅 MRI에서 고해상도 해부학 재구성, 태그 없는 시네 합성, 그리고 디포노미피 모션 추정을 달성한다.
• 이 방법은 비선형 블라인드 설정에서 PSF, 태그 매개변수, 페이딩을 함께 강인하게 추정하며 태깅/시네 시퀀스가 쌍으로 된 훈련 데이터가 필요하지 않다.
• CDDP는 확산 기반 해부학 샘플링과 순방향-모델 매개변수 업데이트를 교대로 수행하여 안정적인 최적화를 제공한다.
• 태깅된 뇌 MRI 시뮬레이션에서 InvTag는 초기 및 후기 프레임 전반에 걸쳐 태그-에서 시네 합성으로의 성능에서 베이스라인을 능가한다(더 높은 PSNR/SSIM).
• InvTag를 사용한 모션 추정은 학습 기반 및 최적화 기반 베이스라인보다 평균 EPE 및 EPE@95가 더 낮고, 디포노미피를 유지한다(NegDet가 거의 제로에 가까움).
• 회전하는 젤 팬텀에서의 실제 태깅 데이터는 확산 사전의 도메인 차이에도 불구하고 InvTag의 일반화를 보여준다.