K-Spaceを埋め込み、画像を精緻化する：動的かつマルチコントラストMRI再構成のためのプロンプト手法

動的またはマルチコントラスト磁気共鳴画像（MRI）再構成の鍵は、フレーム間またはコントラスト間の情報を有効に活用することにある。現在、反復的手法に基づくMRI再構成ステップと学習可能なニューラルネットワーク層を組み合わせた「アンロールドモデル（unrolled model）」が、MRI再構成分野で最高の性能を発揮している。しかし、このアプローチには以下の2つの主要な課題が存在する。第一に、アンロールドモデルの構造およびGPUメモリの制約により、ネットワーク内の各ノイズ除去ブロックの表現能力が制限され、再構成に必要な詳細な特徴の効果的な抽出が妨げられている。第二に、従来のモデルは入力の変化（例えば異なるコントラスト、解像度、視点など）に対して柔軟に対応できず、各入力タイプごとに別々のモデルを訓練する必要がある。これは非効率であり、再構成性能が不十分になるリスクも伴う。本論文では、これらの課題を克服するための二段階型MRI再構成パイプラインを提案する。第一段階では、欠損したk空間データの補完を目的とし、物理則に基づく再構成問題としてアプローチする。まず、隣接フレームまたは隣接コントラストとチャネルアテンションを用いてフレーム間・コントラスト間の内在的な相関を捉える、シンプルかつ効率的なベースラインモデルを提案する。次に、このベースラインモデルを拡張し、異なる視点、コントラスト、隣接タイプ、加速係数に対応可能な「プロンプトベース学習（prompt-based learning）」アプローチを採用した、統合型MRI再構成モデル「PromptMR」を構築する。第二段階では、第一段階の再構成結果を精緻化する。この段階では、画像領域における隣接フレーム・コントラストからの特徴融合を重視し、一般的な動画復元問題として捉える。広範な実験により、本手法が従来の最先端加速MRI再構成手法を顕著に上回ることを確認した。