一种医学人工智能（AI）技术现在即使从不完整的扫描数据也能实现精确和高质量的MRI图像重建。这种创新方法不仅比现有方法缩短了重建时间，还为医疗专业人员提供了更大的易用性，有望提高临床环境中的诊断准确性。
该新型AI模型——动态感知隐式神经表示（DA-INR）——由韩国蔚山科学技术院（UNIST）人工智能研究生院（AIGS）的尹载俊教授及其研究团队开发，推动了动态MRI重建领域的发展。
该研究发表在arXiv预印本服务器上。
动态MRI捕捉快速变化的生理信号，如心跳和血流，使其成为诊断各种疾病的宝贵工具。然而，传统成像方法面临诸多限制，包括扫描时间长以及在单次会话中获取完整数据集的挑战。因此，从部分、不完整的数据重建高分辨率图像已成为一个关键研究领域。
DA-INR通过克服先前模型中常见的复杂参数调整和冗长的优化时间来应对这些挑战。研究团队受到心脏心房和心室或肝脏血管等核心组织结构随时间保持一致的启发，将这些结构概念化为统一的标准空间。
DA-INR不是独立重建每个帧，而是在此标准空间内对静态组织结构进行建模，并反映相对于该空间的时间变化。这种方法显著减少了不必要的计算，并最小化了帧对帧重建过程中通常发生的噪声和失真。
结果令人印象深刻：DA-INR在图像质量和效率方面都优于现有领先模型。作为图像清晰度指标的峰值信噪比（PSNR）提高了多达1.5 dB，而反映结构保真度的结构相似性指数（SSIM）增加了超过0.01。此外，重建时间减少了七倍以上，内存使用量减少了50%以上。
除了更清晰的图像外，DA-INR还能准确捕捉生理运动，例如心脏的快速收缩和缓慢舒张——克服了阻碍传统AI模型的常见"过度平滑"问题。这一进步已在动态对比增强（DCE）肝脏扫描中得到证明，该模型通过捕捉健康组织和病变（如肝肿瘤）的特征性快速对比变化，有效区分两者。
尹载俊教授评论道："该技术允许仅使用有限的扫描序列进行高分辨率时空MRI重建，无需额外数据。其简单性意味着医疗从业者可以轻松采用，无需进行广泛的技术调整。"
更多信息：Dayoung Baik等人，《动态感知时空表示学习用于动态MRI重建》，arXiv (2025)。DOI: 10.48550/arxiv.2501.09049
【全文结束】
