# 磁共振图像重建

SIM把MRI重建的训练数据来源从临床采集的原始k空间换成按多线圈成像物理规律生成的仿真样本，并用通用Transformer把数据量和模型容量一起放大。在14个公开与自建数据集上，它跨7个中心、5家厂商、0.3至7 T场强和十余种采集协议做零样本重建，PSNR比次优方法高1.06至3.95 dB；在150例盲法阅片中，SIM在某一加速倍数下诊断可用性达到100%，该倍数在原文中未给出。

SIM把MRI重建的训练数据来源从临床采集的原始k空间换成按多线圈成像物理规律生成的仿真样本，并用通用Transformer把数据量和模型容量一起放大。在14个公开与自建数据集上，它跨7个中心、5家厂商、0.3至7 T场强和十余种采集协议做零样本重建，PSNR比次优方法高1.06至3.95 dB；在150例盲法阅片中，SIM在某一加速倍数下诊断可用性达到100%，该倍数在原文中未给出。

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。

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。

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。

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。