用Gabor基元重建加速心脏电影MRI，在笛卡尔与径向轨迹上PSNR均超过压缩感知、高斯基元与哈希网格INR基线
核心概要
该工作提出Gabor基元用于MRI重建：用复指数调制高斯包络，使每个基元的频谱支撑可置于任意k空间位置，并设计几何基与强度基两组低秩时间模型刻画心脏运动与对比度变化；在99例笛卡尔（R=12、R=16）与102例径向（R≈23）心脏电影数据上，Gabor基元在全部设置中取得最高PSNR与SSIM，较高斯基元提升+1.11/+0.72/+0.86 dB，径向较PICS提升+2.34 dB，同时参数比ρ<0.5，并可连续分辨率评估实现4×超分辨。
Fig. 1. Left: Gaussian vs. Gabor primitives in image space and k-space. A Gaussian’s spectral support is fixed at the k-space origin; a Gabor primitive shifts it to ξi via complex-exponential modulation, enabling more efficient frequency coverage. Right: Cardiac cine image is modeled as a mixture of time-varying Gabor primitives. Geometry parameters (µ, s, θ, ξ) and complex weights w are generated from low-rank geometry (blue) and intensity (orange) bases. Primitives are rasterized, passed through a multi- coil forward model, and fitted to acquired k-space data end-to-end.
· 第 3 页深度剖析
提出复值Gabor基元公式，每个基元携带可自由定位的k空间频谱分量，当调制频率ξn=0时退化为标准高斯基元。 此前MRI中的高斯基元频谱被锚定在k空间原点，高频内容需靠大量窄高斯叠加；Gabor通过复指数调制把频谱支撑移到任意k空间位置，减少频谱重叠。 给出解析推导：式(1)的Gabor基元与式(2)的傅里叶变换显示k空间高斯斑中心位于ξn而非原点；图3a显示学习到的ξn分布覆盖k空间，图3b显示径向队列中低频段各方法PSNR相近，而Gabor在中频与高频段增益最大。
设计双分量低秩时间模型，把每个基元的时间变化分解为几何基（捕捉心脏运动）与强度基（建模信号强度变化），权重矩阵W的秩至多为Rc+Rg。 相比把时间变化整体交给网络权重或手工正则，该模型在基元参数空间直接施加结构化低秩先验，并显式区分几何动态与对比度变化。 式(4)与式(5)给出参数化形式，实验采用Rg=6、Rc=4并含几何-对比度耦合；图2的y–t剖面显示L+S会模糊时间运动边界，而Gabor在两种设置下时空误差最低。
在心脏电影MRI的笛卡尔与径向轨迹、高加速倍数下，Gabor基元在全部评估设置中优于压缩感知、高斯基元与哈希网格INR基线。 此前频率调制基元多面向非负实值信号，未直接扩展到复值MRI；该工作把Gabor基元用于复值MRI并给出多轨迹验证。 表1汇总N=99笛卡尔与N=102径向数据：Gabor在三处设置PSNR与SSIM最高，较高斯提升+1.11/+0.72/+0.86 dB，径向较PICS提升+2.34 dB；PICS在笛卡尔FSIM上略高；Hash-INR参数比ρ=2.60（约6倍）却在学习方法中排名最后。
Gabor基元提供紧凑、连续分辨率且参数具物理意义的表示，可按|ξn|做频谱分解，并在不重训练的情况下做4×超分辨。 网格化方法与高斯基元不具备按调制频率划分的频谱分解能力（高斯|ξn|=0），连续表示也支持任意分辨率评估。 图3c按|ξn|<1/4与≥1/4划分基元，低频捕捉平滑解剖、高频捕捉边缘；图3d的4×超分辨中Gabor比高斯恢复更锐利结构，Hash-INR因过拟合采样网格出现栅格伪影；参数比ρ<0.5为最紧凑表示。
启示与展望
该结果面向扫描特异的心脏电影MRI重建：每次采集单独优化，适用于笛卡尔与径向轨迹的高加速欠采样场景，作者报告优化耗时2–4分钟。方法当前为2D公式，作者提出扩展到3D与联合时空频率调制以改进时间建模。显式参数化带来物理可解释性，例如按调制频率做频谱分解，并可能为运动量化等下游任务提供紧凑描述子。
作为扫描特异方法，每次采集需单独优化2–4分钟，作者指出这是待解的限制。当前为2D公式，3D与联合时空频率调制尚待探索。作者指出还需在更多解剖部位验证并开展临床诊断评估才能转化。Gabor比高斯慢，因为其通过调制而非空间收窄捕捉高频，导致基元平均更宽、每像素重叠更多基元，增加逐像素计算。PICS在笛卡尔数据上FSIM略高，说明不同指标下排序并不完全一致。