[论文解读] 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 0

一句话总结

B-FIRE 引入一种无分箱的扩散隐式神经表示框架，用于超加速的运动分辨 MRI，使得从欠采样的非笛卡尔 k-space 数据中实现瞬时 3D 腹部解剖恢复。

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.

研究动机与目标

• 需要在 4D MRI 中恢复瞬时动态信息而不产生来自相位平均重建的伪影的动机。
• 开发一个用于运动分辨 MRI 的无分箱扩散隐式神经表示（INR）框架。
• 在具有强欠采样的非笛卡尔 k-space 数据上实现带有运动保真度的重建。

提出的方法

• 使用一个 CNN-隐式神经表示（INR）编码-解码骨干网。
• 用结合图像域保真度和频率感知约束的扩散为基础的损失进行训练。
• 在推理时对无分箱欠采样数据执行，同时利用运动分箱训练参考。
• 将方法应用于加速从 RV8 到 RV1 的 T1 加权 StarVIBE 肝脏 MRI 数据。
• 与直接 NuFFT、GRASP-CS 以及一个展开的 CNN 基线进行比较。

实验结果

研究问题

• RQ1 无分箱扩散 INR 能否从极度欠采样的非笛卡尔 k-space 数据中重建运动分辨的 4D MRI？
• RQ2 B-FIRE 是否比传统的基于分箱的方法更好地保留瞬时运动轨迹？
• RQ3 在不同加速因子下，B-FIRE 的重建保真度和推理时延与标准方法相比如何？
• RQ4 该方法在像 StarVIBE（肝脏 MRI）的数据上的不同欠采样模式下是否有效？

主要发现

• B-FIRE 在 T1 加权 StarVIBE 肝脏队列中实现了超加速的运动分辨 MRI 重建。
• 该框架采用带有编码器-解码骨干的扩散增强 INR。
• 在去分箱欠采样数据上进行推理，并以运动分箱参考进行训练。
• 比较对象包括直接 NuFFT、GRASP-CS，以及一个展开的 CNN 基线。
• 该研究评估了重建保真度、运动轨迹的一致性和推理时延。