[论文解读] Solving a Nonlinear Blind Inverse Problem for Tagged MRI with Physics and Deep Generative Priors

Zhangxing Bian, Shuwen Wei+5 more|arXiv (Cornell University)|Mar 1, 2026

Advanced MRI Techniques and Applications被引用 0

一句话总结

InvTag 将解剖图像恢复、无标签 cine 合成与来自时序标签 MRI 的三维运动估计统一在一个非线性、盲式逆问题中，通过将 MR 物理学与扩散先验混合来解决。

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.

研究动机与目标

• 推动并解决在标签 MRI 中运动跟踪、标签分离与超分辨率之间的耦合问题。
• 开发一个统一的、非线性的、盲式逆框架，联合恢复高分辨率解剖结构、无标签 Cine 序列以及运动场。
• 利用 MR 物理约束模糊化与标签形成，同时使用扩散先验对解剖结构进行正则化。
• 在没有外部成对训练数据的情况下，估计未知的前向模型组件（点扩散函数 PSF、标签参数、衰退）
• 提出一个稳定的坐标下降带扩散先验（CDDP）优化以求解该问题。

提出的方法

• 将观测到的标签 MRI 与潜在解剖 a、标签模式 q_alpha、PSF h_gamma、衰退 f_beta_t、以及运动 phi_t 联系起来，建立 g_t^Box = h_gamma^Box * phi_t^*(a · f_beta_t(q_alpha^Box)) 的关系。
• 将 PSF 参数化为各向异性三维高斯，gamma = (gamma_perp, gamma_parallel, gamma_thru)。
• 将基底标签模式 q_alpha^Box 表示为具有共享参数 alpha 的 SPAMM 风格正弦函数，捕捉振幅、间距、相位与直流偏置。
• 将标签衰减 f_beta_t 建模为仿射变换：f_beta_t(q) = |beta_1,t · q + beta_2,t|。
• 将运动描述为通过物理信息神经网络（PINN）输出稳态速度场并使用指数映射确保作图为同胚变换的 phi_t。
• 以参数化形式求解前向模型 A_t^Box(a; alpha, gamma, beta_t, theta_t) = h_gamma^Box * phi_theta_t^*(a · f_beta_t(q_alpha^Box))。
• 采用坐标下降策略（CDDP），交替进行解剖采样（结合扩散先验）与前向模型参数的 ML 更新，以解决非线性盲式逆问题。

实验结果

研究问题

• RQ1 一个单一框架能否联合恢复高分辨率解剖结构、无标签 Cine 序列以及来自时序标签 MRI 的三维运动？
• RQ2 如何将 MR 物理与深度生成先验融合，以在保持时间一致性的前提下对未知 PSF、标签参数和衰退进行盲估计？
• RQ3 基于扩散先验的反演（结合坐标下降）是否在没有外部标签/ Cine 训练数据的情况下实现稳定且准确的重建？
• RQ4 与专门的、任务特定方法相比，在 Cine 质量与运动精度方面的定量提升有哪些？

主要发现

Method	Timeframe	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

• InvTag 能从 3D 标签 MRI 实现高分辨率解剖重建、无标签 Cine 合成以及可微同胚运动估计。
• 该方法在非线性盲设定下稳健地联合估计 PSF、标签参数与衰退，且不需要带有成对标签/ Cine 序列的训练数据。
• CDDP 通过在扩散基础的解剖采样与前向模型参数更新之间交替，提供稳定的优化。
• 在带标签的脑 MRI 仿真中，InvTag 在标签转 Cine 合成方面优于基线（在早期和后期帧上具更高的 PSNR/SSIM）。
• 使用 InvTag 的运动估计在均值 EPE 与 EPE@95 上低于学习型与基于优化的基线，同时保持同胚性（NegDet 近零）。
• 在旋转凝胶等效物上的真实标签数据表明，尽管扩散先验存在领域差异，InvTag 仍表现出较好的泛化性。