Score-based Generative Priors Guided Model-driven Network for MRI Reconstruction

本文介绍了一种新的工作流程，其中SMLD方法的结果被视为额外的先验，以引导模型驱动的网络训练。首先，我们采用预训练的评分网络获取样本作为初步指导图像（PGI），无需网络重新训练、参数调整和分布测试数据。虽然PGI受到幻觉伪影的影响，但我们认为它们可以通过有效的去噪步骤提供额外的信息以促进重建。因此，我们在第二步设计了一个去噪模块（DM）来改善PGI的质量。特征从Langevin动力学的组件和相同的评分网络中提取，因此我们可以直接学习伪影模式。第三，我们设计了一个模型驱动的网络，其训练由去噪的PGI（DGI）指导。在每个级联中，DGIs与中间重建密集连接以丰富特征，并定期更新以提供更准确的指导。我们的实验表明，尽管PGI的平均质量较低，但所提出的工作流程可以有效地提取有价值的信息以指导网络训练，即使训练数据和采样步骤严重减少。我们的方法通过有效减轻幻觉伪影，产生了强大和高质量的重建结果，优于其他尖端技术。

本文旨在解决使用SMLD方法进行加速MRI时，采样过程中的超参数需要微调的问题，否则结果可能会受到幻觉伪影的严重影响，特别是在测试数据超出分布范围时。论文提出了一种新的工作流程，将SMLD结果视为额外的先验知识来指导模型驱动的网络训练。

论文的关键思路是将SMLD结果作为先验知识来指导网络训练，通过预训练的评分网络获得初步引导图像（PGI），然后设计去噪模块（DM）来改善PGI的质量，最后设计一个模型驱动的网络，其训练由去噪的PGI（DGI）指导。

本文的亮点包括：使用SMLD结果作为先验知识来指导网络训练，提出了预训练的评分网络和去噪模块来改善PGI的质量，设计了模型驱动的网络，其训练由去噪的PGI指导。实验结果表明，本文方法可以有效地提取有价值的信息来指导网络训练，即使是在训练数据和采样步骤严重减少的情况下也能获得高质量的重建结果。

在这个领域中，最近的相关研究包括：使用深度学习方法进行MRI重建的研究，使用GAN进行MRI图像增强的研究，使用自编码器进行MRI图像去噪的研究等。