摘要
动态或多对比度磁共振成像（MRI）重建的关键在于挖掘帧间或对比度间的相关性信息。目前，展开式模型（unrolled model）作为将迭代MRI重建步骤与可学习的神经网络层相结合的一种方法，已成为性能最优的MRI重建技术。然而，该方法仍存在两大主要局限：其一，展开式模型的结构设计及GPU内存限制，制约了网络中去噪模块的容量，难以有效提取用于重建的细节特征；其二，现有模型缺乏对输入变化的适应能力，例如不同对比度、分辨率或成像视角，导致必须为每种输入类型单独训练模型，不仅效率低下，还可能造成重建性能不足。针对上述问题，本文提出一种两阶段MRI重建框架。第一阶段旨在填补缺失的k空间数据，将其建模为基于物理规律的重建问题。我们首先设计了一个简洁而高效的基线模型，利用相邻帧或对比度信息，并引入通道注意力机制，以捕捉帧间与对比度间的内在相关性。随后，我们将该基线模型扩展为一种基于提示（prompt-based）的学习方法——PromptMR，实现对不同视角、对比度、邻域类型及加速因子的统一建模，支持“一站式”MRI重建。第二阶段则对第一阶段的重建结果进行精细化优化，将其视为通用视频修复问题，在图像域中进一步融合邻近帧或对比度之间的特征信息。大量实验结果表明，所提出的方法在加速MRI重建任务中显著优于现有的最先进方法。