[论文解读] Gabor Primitives for Accelerated Cardiac Cine MRI Reconstruction

Wenqi Huang, Veronika Spieker+7 more|arXiv (Cornell University)|Mar 5, 2026

Advanced MRI Techniques and Applications被引用 0

一句话总结

论文引入用于MRI重建的复数Gabor基元以高效表示高频内容，实现具有双分量低秩时序模型的扫描特定、考虑运动的心脏cine重建。

ABSTRACT

Accelerated cardiac cine MRI requires reconstructing spatiotemporal images from highly undersampled k-space data. Implicit neural representations (INRs) enable scan-specific reconstruction without large training datasets, but encode content implicitly in network weights without physically interpretable parameters. Gaussian primitives provide an explicit and geometrically interpretable alternative, but their spectra are confined near the k-space origin, limiting high-frequency representation. We propose Gabor primitives for MRI reconstruction, modulating each Gaussian envelope with a complex exponential to place its spectral support at an arbitrary k-space location, enabling efficient representation of both smooth structures and sharp boundaries. To exploit spatiotemporal redundancy in cardiac cine, we decompose per-primitive temporal variation into a low-rank geometry basis capturing cardiac motion and a signal-intensity basis modeling contrast changes. Experiments on cardiac cine data with Cartesian and radial trajectories show that Gabor primitives consistently outperform compressed sensing, Gaussian primitives, and hash-grid INR baselines, while providing a compact, continuous-resolution representation with physically meaningful parameters.

研究动机与目标

• 在高欠采样下加速心脏cine MRI的动机
• 为MRI重建开发一个显式、可解释的原语基
• 利用时空冗余的低秩时序模型
• 在笛卡尔与径向轨迹上展示相对于CS、高斯原元与Hash-grid INR的改进

提出的方法

• 定义将谱支持放置在任意k-space位置的复值Gabor原元，通过复指数调制实现
• 将图像建模为N个Gabor原元的和，具备逐帧几何和权重参数
• 引入双分量低秩时序模型：一个用于心肌运动的几何基，一个用于对比度变化的强度基
• 通过每个原元的时序系数与低秩基将几何与权重动力学耦合
• 构建多线圈前向模型：在欠采样轨迹上的前向算子与将数据保真、权重稀疏与时序正则化结合的复合损失

实验结果

研究问题

• RQ1 谱移位（Gabor）原元是否在欠采样的心脏MRI中比高斯原元更能表示高频内容
• RQ2 两分量低秩时序模型是否能高效捕捉心脏cine MRI中的几何（运动）与强度（对比度）变化
• RQ3 Gabor原元是否在笛卡尔与径向欠采样场景下优于传统CS、Gaussian原元与Hash-INR基线
• RQ4 所得到的表示是否紧凑且可解释，同时保持或提升重建质量？

主要发现

• Gabor原元在所提供的数据集中在笛卡尔与径向欠采样下实现了最高的PSNR和SSIM
• Gabor在径向数据上优于Gaussian原元与CS基线，在PICS上约提升2.34 dB PSNR
• 表示紧凑（rho < 0.5），在k-space具有物理可解释的谱分布
• 基于Gabor的重建在边界清晰度上有所提升，背景噪声降低
• 该方法提供连续、超分辨率能力的表示且无需再训练
• Hash-INR 使用更多参数，且在此设置下仍不及Gabor原元