Der Schlüssel zur dynamischen oder multi-kontrastiven Magnetresonanztomographie-(MRI-)Rekonstruktion liegt in der Ausnutzung von Inter-Rahmen- oder Inter-Kontrast-Informationen. Derzeit stellt der unrolled-Modellansatz, eine Methode, die iterative Schritte der MRI-Rekonstruktion mit lernbaren neuronalen Netzwerkschichten kombiniert, die leistungsstärkste Vorgehensweise für die MRI-Rekonstruktion dar. Allerdings bestehen zwei Hauptprobleme, die überwunden werden müssen: Erstens beschränken die Architektur des unrolled-Modells sowie die Beschränkungen des GPU-Speichers die Kapazität jedes Denoisings-Blocks im Netzwerk, was die effektive Extraktion detaillierter Merkmale für die Rekonstruktion behindert; zweitens fehlt dem bestehenden Modell die Flexibilität, sich an unterschiedliche Eingabedaten – wie beispielsweise verschiedene Kontraste, Auflösungen oder Ansichten – anzupassen. Dies erfordert die separate Trainingsphase für jedes Eingabetyp, was ineffizient ist und zu unzureichender Rekonstruktion führen kann. In diesem Artikel schlagen wir eine zweistufige MRI-Rekonstruktions-Pipeline vor, um diese Limitationen zu überwinden. Der erste Schritt befasst sich mit der Ergänzung fehlender k-Raum-Daten, die wir als physikbasiertes Rekonstruktionsproblem formulieren. Zunächst stellen wir ein einfaches, aber effizientes Basismodell vor, das benachbarte Frames/Kontraste sowie Kanal-Attention nutzt, um die inhärenten Korrelationen zwischen Frames bzw. Kontrasten zu erfassen. Anschließend erweitern wir das Basismodell zu einem promptbasierten Lernansatz, PromptMR, welcher eine einheitliche MRI-Rekonstruktion aus verschiedenen Ansichten, Kontrasten, benachbarten Typen und Beschleunigungsfaktoren ermöglicht. Der zweite Schritt dient der Verfeinerung der Rekonstruktion aus dem ersten Schritt und wird als allgemeines Video-Restoration-Problem betrachtet, um Merkmale aus benachbarten Frames/Kontrasten im Bildbereich weiter zu fusionieren. Ausführliche Experimente zeigen, dass unsere vorgeschlagene Methode die bisherigen State-of-the-Art-Methoden für beschleunigte MRI-Rekonstruktion signifikant übertrifft.