Highly Accelerated MRI via Implicit Neural Representation Guided Posterior Sampling of Diffusion Models

将下采样 k 空间的磁共振（MR）图像重建为高保真度图像是一种常用的减少扫描时间的策略。基于真实测量数据的扩散模型的后验采样具有提高重建精度的显著优势。然而，传统的后验采样方法常常缺乏有效的数据一致性指导，导致重建不准确和不稳定。隐式神经表示（INR）已成为通过将信号属性建模为空间坐标的连续函数来解决反问题的强大范例。在本研究中，我们提出了一种使用INR的扩散模型后验采样器，名为DiffINR。基于INR的组件结合了扩散先验分布和MRI物理模型，以确保高数据保真度。DiffINR在实验数据集上表现出卓越的性能，即使在高加速因子（单通道重建中高达R=12）下也具有显着的精度。值得注意的是，我们提出的框架可以成为解决其他医学成像任务中的反问题的通用框架。

本论文旨在解决磁共振成像中的采样问题，提出了一种名为DiffINR的基于隐式神经表示的后验采样方法，以提高重建准确性和稳定性。

DiffINR使用隐式神经表示来建模信号属性，结合扩散先验分布和MRI物理模型，以确保高数据保真度。

DiffINR在实验数据集上表现出色，即使在高加速因子（单通道重建中高达R=12）下也具有显著的准确性。此外，该方法还可以成为解决其他医学成像任务中的逆问题的通用框架。

近期的相关研究包括： 1. 'Deep learning for undersampled MRI reconstruction'； 2. 'Accelerated MRI using deep learning-generated priors'； 3. 'Joint reconstruction of image and k-space data using convolutional neural networks'。