[论文解读] 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 0

一句话总结

论文引入了一个面向算子引导、物理信息驱动的 SMS MRI 重建框架，使用算子条件的双流网络（OCDI-Net）建模由 SMS 磁线圈切片干扰和面内欠采样引起的确定性降解，实现两阶段推理以提高保真度并减少切片泄漏。

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.

研究动机与目标

• 提出一种将 SMS 降解视为确定性、算子驱动过程而非随机噪声的重建范式。
• 开发一个算子引导的生成框架，使反演轨迹与采集算子对齐。
• 提出 OCDI-Net，以将目标切片内容与层间干扰解耦并预测算子引起的降解。
• 通过两阶段推理管线将 SMS 切片分离与面内数据完成解耦。
• 在 fastMRI 大脑数据和前瞻性获取的扩散 MRI 数据上展示更高的保真度和更少的切片泄漏。

提出的方法

• 将 SMS 重建表述为由已知采集算子 CAIPI 切片调制和 Cartesian 欠采样 支配的确定性降解，并构建分阶段的降解路径。
• 引入 OCDI-Net，一个双流的 U-Net（目标内容和干扰）在 diffusion 步骤 t 和阶段 M 或 U 的条件下预测算子引起的降解，实现对阶段的感知逆更新。
• 定义两阶段推理：Stage-M 用于切片分离，Stage-U 用于面内完成，两者均使用带学习的 _t 预测的算子引导反向更新。
• 使用前向确定性轨迹 x_t = k* + α_t d_Ω 与反向更新 x_{t-1} = x_t - α_t d̂_t，其中 d̂_t 由 OCDI-Net 预测。
• 在 k-空间重建上使用 L1 损失进行训练，并可选在图像域损失以鼓励对耦 coil 组合幅度的保真。
• 利用两阶段推理在高加速下稳定优化，并通过伪测量和低频锚点实现跨阶段数据一致性。

实验结果

研究问题

• RQ1 相比随机扩散方法和传统的 SMS 重建，算子引导、物理信息驱动的扩散式推理是否能改善 SMS MRI 的重建？
• RQ2 是否将 CAIPI 引起的层间干扰与面内欠采样明确建模为确定性降解能改善切片泄漏抑制与高频保留？
• RQ3 两阶段推理（切片分离后再进行面内完成）能否在高 MB 因子和加速下获得更稳定的重建？
• RQ4 OCDI-Net 是否能有效将目标内容与干扰解耦，以提升回顾性 fastMRI 大脑数据与前瞻性 TJU DWI 数据的保真度？

主要发现

• 所提出的算子引导框架在 fastMRI 大脑数据和前瞻性 DWI 数据上，相较传统与基于学习的 SMS 基线具有更高的重建保真度和更少的切片泄漏。
• OCDI-Net 能有效将目标切片内容与结构化的层间干扰解耦，并预测算子引起的降解以实现物理对齐的反演。
• 两阶段推理解耦切片分离与面内完成，在高加速下提高稳定性，并在 MB 因子和 R 值之间实现更好的一致性。
• 实验包括回顾性 fastMRI 模拟，MB=3 且有不同的面内加速，以及前瞻性 DWI 数据（MB=2, R=2, b=1000），相对于 SENSE、Slice-GRAPPA、RAKI 及基于扩散的 SMS 方法等基线显示更优性能。