ESPIRiT-Diffusion：物理引导的扩散模型重建实现高度加速的颅内与颈动脉联合血管壁成像
核心概要
本文提出 ESPIRiT-Diffusion——一种物理引导的基于分数的扩散重建框架，将多组 ESPIRiT 线圈灵敏度图的数据一致性约束引入 Langevin 方程，用于 8.8 倍与 10.7 倍加速、各向同性 0.6 mm³ 分辨率的颅内与颈动脉联合血管壁成像（VWI）；回顾性实验（笛卡尔、CAIPI、变密度欠采样）中其重建表现优于 ESPIRiT、DL-ESPIRiT、SENSE-Diffusion 与 SPIRiT-Diffusion，并更好地保留细小血管壁结构；前瞻性患者实验中血管壁病灶显示良好，与 3 倍压缩感知参考相比，各血管节段及总体读者评分均无统计学显著差异。
深度剖析
提出 ESPIRiT-Diffusion，将多组 ESPIRiT 线圈灵敏度图的数据一致性约束嵌入 Langevin 方程，形成物理引导的基于分数的扩散重建框架。 相对既有展开类方法与 k 空间扩散方法，该框架把多组 ESPIRiT 图约束直接用于扩散采样过程，以在高度加速下约束不可靠的生成。 方法学描述与回顾性实验（笛卡尔、CAIPI、变密度欠采样，8.8× 与 10.7×）共同支撑，并与 ESPIRiT、DL-ESPIRiT、SENSE-Diffusion、SPIRiT-Diffusion 对比。
在图像域直接进行扩散可获得更清晰的细小细节并加快重建速度。 与 k 空间扩散相比，图像域扩散减轻图像模糊并缩短重建时间。 基于文中对图像域扩散与 k 空间扩散的对比陈述，属于方法设计与实验观察层面的证据。
在 8.8 倍与 10.7 倍加速下实现 0.6 mm³ 各向同性分辨率的颅内与颈动脉联合 VWI 重建，并更好地保留细小血管壁结构。 将高度加速扩散重建扩展到大规模 FOV 的 3D 联合颅内与颈动脉 VWI，而非单一血管区域。 回顾性实验显示优于四种对比方法，并更好地保留细小血管壁结构。
前瞻性患者实验中，ESPIRiT-Diffusion 对血管壁病灶显示良好，读者评分与 3 倍压缩感知参考在各血管节段及总体上均无统计学显著差异。 把回顾性重建优势推进到前瞻性患者场景，并以读者评分与临床参考序列对照。 前瞻性患者实验的读者评分比较，未报告统计学显著差异。
启示与展望
该工作面向需要高度加速的 3D 联合颅内与颈动脉 VWI 场景，适用于具备多线圈采集与 ESPIRiT 灵敏度图估计的 MRI 流程；其回顾性验证覆盖笛卡尔、CAIPI 与变密度欠采样，前瞻性验证以读者评分与 3 倍压缩感知参考对照。结果支持在 8.8× 与 10.7× 加速、0.6 mm³ 各向同性分辨率下重建血管壁细节，并为后续在更广泛患者群体与更多采集协议中评估提供基础。
当前加载文本为摘要性内容，未包含具体样本量、读者评分量表、统计检验细节、图像质量指标数值以及前瞻性实验的病灶数量，因此无法评估效应量大小与统计功效；此外，不同加速因子与采样模式下的表现差异、以及在其他血管区域或设备上的可复现性，仍需在完整方法与结果中进一步确认。