[论文解读] Low-Field Magnetic Resonance Image Enhancement using Undersampled k-Space

Daniel Tweneboah Anyimadu, Mohammed Abdalla+2 more|arXiv (Cornell University)|Mar 14, 2026

Advanced MRI Techniques and Applications被引用 0

一句话总结

提出一个基于 k 空间驱动的深度学习框架（kSURF），能够联合重建并超分辨欠采样的低场 MRI 数据，带有体素级不确定性评估，在低场 k 空间中实现近 HF 的质量。

ABSTRACT

Low-field magnetic resonance imaging (MRI) offers a cost-effective alternative for medical imaging in resource-limited settings. However, its widespread adoption is hindered by two key challenges: prolonged scan times and reduced image quality. Accelerated acquisition can be achieved using k-space undersampling, while image enhancement traditionally relies on spatial-domain postprocessing. In this work, we propose a novel deep learning framework based on a U-Net variant that operates directly in k-space to super-resolve low-field MR images directly using undersampled data while quantifying the impact of reduced k-space sampling. Unlike conventional approaches that treat image super-resolution as a postprocessing step following image reconstruction from undersampled k-space, our unified model integrates both processes, leveraging k-space information to achieve superior image fidelity. Extensive experiments on synthetic and real low-field brain MRI datasets demonstrate that k-space-driven image super-resolution outperforms conventional spatial-domain counterparts. Furthermore, our results show that undersampled k-space reconstructions achieve comparable quality to full k-space acquisitions, enabling substantial scan-time acceleration without compromising diagnostic utility.

研究动机与目标

• 通过欠采样在不降低诊断细节的前提下推动更快的低场 MRI 成像。
• 开发一个统一的端到端模型，在 k-space 直接重建和增强低场 MRI。
• 引入体素级不确定性以量化重建的可靠性。
• 将基于 k-space 的方法与基于空间域的 SR/IQT 方法进行比较，并评估在分布偏移下的鲁棒性。
• 证明对合成和真实的低场脑部 MRI 数据在各种欠采样模式下的适用性。

提出的方法

• 引入一个 k-space 双通道 U-Net（kSURF），处理实部/虚部的 k-space 分量以产出近 HF 的 k-space 输出。
• 在成对的 HF-LF 数据中进行训练，使用来自 HF-HCP 数据集的合成 LF 仿真，包含多种欠采样模式（笛卡尔、伪径向、二维随机）。
• 通过联合损失（MSE + MAE + L2 正则化）进行优化，并采用交叉验证的集合来估计体素级不确定性作为预测的 Var。
• 在 FFT 基础预处理后以 32×32×32 的小块处理数据，以对齐训练用的 LF 与 HF 体积。
• 在空间域 SR/IQT（sIQT）基线和 k-space 进行评估，比较 InD 与 OOD 测试集上的 PSNR/SSIM。
• 提供定性与定量结果，包括不确定性图，以评估可靠性。

实验结果

研究问题

• RQ1 一个统一的基于 k-space 的模型是否能够从欠采样的 LF k-space 重建出具备与充分采样的 HF 采集相当保真度的 HF 风格图像？
• RQ2 在频域中工作是否比在传统的空间域 SR 方法下在更强欠采样条件下保留更多关键的频率信息？
• RQ3 欠采样模式和速率对重建质量与不确定性估计有何影响？
• RQ4 在同分布及分布外情景下，提出的 kSURF 与现有的空间域 SR/IQT 与重建基线相比如何？
• RQ5 在真实的 LF-MRI 数据（包括病理情况）中，使用带不确定性量化的 kSURF 是否有显著改进？

主要发现

• kSURF 在合成的 InD 数据上对比空间域基线在欠采样模式和速率下始终获得更高的 PSNR 和 SSIM。
• kSURF 在分布偏移（OOD）下表现稳健，通常在量化指标和不确定性可靠性上优于 sIQT。
• 伪径向欠采样在所测试的模式中为 kSURF 提供最佳的定量结果。
• 不确定性图（体素级方差）提供可解释的重建置信度，与残差误差图相关，表明不确定性量化的可靠性。
• 真实 LF-MRI 数据（0.3T）显示健康与帕金森患者样本中，LF 零填充会降低图像质量，而 kSURF 能改善重建并提供有意义的不确定性估计。
• 在各项评估中，kSURF 在 InD 以及在很大程度上在 OOD 情况下，优于如 LRTV、ESPCN、ISO U-Net、3D SR U-Net 等对比方法。