ملء فضاء K وتحسين الصورة: التحفيز لاستعادة التصوير بالرنين المغناطيسي الديناميكي والمتعدد التباين

تتمحور المفتاح الرئيسي لإعادة بناء التصوير بالرنين المغناطيسي الديناميكي أو متعدد التباينات (MRI) حول استكشاف المعلومات بين الإطارات أو بين التباينات. حاليًا، يُعد نموذج "التفكيك المُدرَّب" (unrolled model)، وهو منهج يجمع بين خطوات إعادة البناء التكرارية لتصوير الرنين المغناطيسي مع طبقات قابلة للتعلم في الشبكات العصبية، أفضل أسلوب أداءً في إعادة بناء MRI. ومع ذلك، توجد قيود رئيسية يجب التغلب عليها: أولاً، فإن هيكل نموذج التفكيك وقيود ذاكرة GPU تحد من القدرة على كل كتلة إزالة ضجيج داخل الشبكة، مما يعيق استخلاص الميزات التفصيلية الفعّالة لإعادة البناء؛ ثانيًا، يفتقر النموذج الحالي إلى المرونة اللازمة للتكيف مع التغيرات في المدخلات، مثل التباينات المختلفة، أو الدقة، أو الزوايا المختلفة، مما يستدعي تدريب نماذج منفصلة لكل نوع من المدخلات، وهو ما يُعد غير فعّال وقد يؤدي إلى إعادة بناء غير كافية. في هذه الورقة، نقترح نموذجًا مكونًا من مرحلتين لإعادة بناء MRI لمعالجة هذه القيود. المرحلة الأولى تتمثل في ملء بيانات فضاء k المفقودة، والتي نعالجها كمشكلة إعادة بناء تعتمد على القوانين الفيزيائية. نبدأ بعرض نموذج أساسي بسيط وفعال، يستخدم الإطارات/التباينات المجاورة والانتباه القنوي (channel attention) لاستكشاف الارتباطات الداخلية بين الإطارات أو التباينات. ثم نوسع هذا النموذج الأساسي إلى نهج تعليم مبني على "التحفيز" (prompt-based learning)، ويُسمى PromptMR، لإعادة بناء شاملة لجميع أنواع الرؤى، والتباينات، وأنواع الإطارات المجاورة، وعوامل التسارع المختلفة. أما المرحلة الثانية فهي تحسين إعادة البناء الناتجة عن المرحلة الأولى، حيث نعاملها كمشكلة عامة لإعادة ترميم الفيديو، بهدف دمج الميزات من الإطارات/التباينات المجاورة في مجال الصورة. أظهرت التجارب الواسعة أن المنهج المقترح يتفوق بشكل ملحوظ على الأساليب السابقة المُعدّة لتصوير الرنين المغناطيسي المُسرّع.