BiasRecon 用不到 100 个可调参数在跨解剖、跨中心、跨模态 MRI 重建中取得最优 PSNR
核心概要
该工作提出 BiasRecon，一个基于“最小干预”原则的偏置校准自适应框架，通过交替优化频率引导的先验校准（在 U-Net 各跳跃连接层用可学习标量 α、β 调制低/高频分量，仅引入 2L 个参数）、基于分数的去噪以及用 Stein 无偏风险估计（SURE）自适应调节正则化参数 γ，在 FastMRI 膝（训练集，973 个体积）上训练后直接迁移到 FastMRI-Brain（跨解剖）、Stanford Knee（跨中心）和 CMRxRecon（组合偏移）三个开放世界测试集，在 8× 高斯一维欠采样下分别比 DDS 提升 +1.19 dB、+2.06 dB、+1.60 dB PSNR，并在 12 项采样/加速设置中 10 项最优。
深度剖析
通过 t-SNE 特征可视化与频率分解分析，作者发现深层网络与低频分量具有域特异性，而浅层与高频分量保持域无关。 此前工作多将分布偏移视为整体退化，该分析把“哪些知识可迁移、哪些不可迁移”拆解到层与频段两个维度。 基于 Fig. 1(b,c) 的 t-SNE 与频率分解可视化，属定性分析，未报告定量迁移性指标。
提出 BiasRecon，将开放世界自适应建模为交替优化：P1 频率引导先验校准、P2 基于分数的去噪、P3 数据保真与近端项，整体仅需少于 100 个可调参数。 相比需要重训练或大量微调参数的域自适应方法，该框架在测试时以极少参数完成自适应，且 δ 初始化为恒等以保留原网络。 方法在 U-Net 每层引入 α、β 两个标量（共 2L 参数），并用互补高斯掩码 M=MΛ+MΓ 构造自监督损失 LSSL，无需真值。
用 SURE 与蒙特卡洛近似在无真值条件下自适应估计正则化参数 γ，并配合滑动窗口早停。 把原本依赖训练集调参的 γ 变为逐样本、随重建进程动态更新，以匹配测试时噪声与 k 空间采样质量。 消融显示在跨中心 4× 高斯一维下，仅 RPA 带来 +1.05 dB，仅 FPC 带来 +2.28 dB，两者合用 +2.94 dB。
在四个数据集上验证开放世界重建性能：跨解剖 +1.19 dB、跨中心 +2.06 dB、组合偏移 +1.60 dB（相对 DDS），并在 12 项采样/加速组合中 10 项最优、2 项次优。 同时覆盖跨解剖、跨中心、跨模态三类偏移，且测试时不重训练。 每个测试集随机选 100 个体积、每体积 3 层，图像统一为 320×320，线圈灵敏度用 ESPiRiT 估计，指标为 PSNR/SSIM/LPIPS。
启示与展望
该结果面向多线圈并行 MRI 的欠采样重建，训练集为 FastMRI 膝（973 个体积），测试覆盖 FastMRI-Brain、Stanford Knee 与 CMRxRecon 三类偏移，采样为高斯一维与均匀一维、4× 与 8× 加速，图像统一 320×320。它使在未知中心、未知解剖与未知协议下无需重训练即可部署成为可能，受益者包括希望复用单一预训练模型的重建研究与工程团队；适用前提是能获得测试时的 k 空间测量并估计线圈灵敏度（文中用 ESPiRiT）。
迁移性结论来自 t-SNE 与频率分解的可视化，属定性证据，尚不清楚该规律在其他网络结构或模态下是否稳定。少于 100 个参数的具体计数取决于 U-Net 层数 L，文中以 2L 表述，未给出 L 的数值。SURE 估计依赖蒙特卡洛近似与扰动尺度 ϵ，其方差对结果的影响未在文中展开。此外，所有开放世界测试均以 FastMRI 膝为唯一训练源，跨中心与跨模态结论是否随训练源改变仍需观察。