مقاله NexOP: بهینه‌سازی مشترک نمونه‌برداری فضایی-k آگاه از NEX و بازسازی تصویر برای MRI کم‌میدان

فناوری مدرن تصویربرداری تشدید مغناطیسی (MRI) با میدان پایین، جایگزینی جذاب برای MRI استاندارد با میدان بالا، با سیستم‌های قابل حمل و کم‌هزینه ارائه می‌دهد. با این حال، کاربرد بالینی آن به دلیل نسبت سیگنال به نویز (SNR) پایین که کیفیت تصویر تشخیصی را مختل می‌کند، محدود است. یک رویکرد رایج برای افزایش SNR از طریق تکرار اکتساب سیگنال، که به عنوان NEX شناخته می‌شود، است، اما این منجر به زمان اسکن بیش از حد طولانی می‌شود. اگرچه کارهای اخیر روش‌هایی را برای تسریع اسکن‌های MRI از طریق بهینه‌سازی نمونه‌برداری فضای k معرفی کرده‌اند، اما بعد NEX دست‌نخورده باقی مانده است؛ معمولاً یک ماسک نمونه‌برداری واحد در تمام تکرارها استفاده می‌شود. در اینجا ما NexOP را معرفی می‌کنیم، یک چارچوب یادگیری عمیق برای بهینه‌سازی مشترک نمونه‌برداری و بازسازی در اکتساب‌های چند NEX، که برای تنظیمات کم SNR طراحی شده است. NexOP امکان بهینه‌سازی احتمالات چگالی نمونه‌برداری را در دامنه گسترده فضای k-NEX، تحت محدودیت بودجه نمونه‌برداری ثابت، فراهم می‌کند و یک معماری جدید یادگیری عمیق را برای بازسازی یک تصویر واحد با SNR بالا از چندین اندازه‌گیری کم SNR معرفی می‌کند. آزمایش‌ها با داده‌های خام مغز با میدان پایین (۰.۳ تسلا) نشان می‌دهد که NexOP به طور مداوم در مقایسه با روش‌های رقیب، هم از نظر کمی و هم از نظر کیفی، در فاکتورهای شتاب‌دهنده متنوع و کنتراست‌های بافتی، عملکرد بهتری دارد. نتایج همچنین نشان می‌دهد که NexOP استراتژی‌های نمونه‌برداری غیریکنواخت را با کاهش تدریجی نمونه‌برداری در طول تکرارها تولید می‌کند، بنابراین بعد NEX را به طور مؤثر مورد استفاده قرار می‌دهد. علاوه بر این، ما یک تحلیل نظری برای حمایت از این مشاهدات عددی ارائه می‌دهیم. در مجموع، این کار یک چارچوب بهینه‌سازی نمونه‌برداری-بازسازی را پیشنهاد می‌کند که برای MRI میدان پایین بسیار مناسب است و می‌تواند تصویربرداری سریع‌تر و با کیفیت بالاتر را با سیستم‌های کم‌هزینه امکان‌پذیر سازد و به پیشرفت مراقبت‌های بهداشتی مقرون به صرفه و قابل دسترس کمک کند.

Modern low-field magnetic resonance imaging (MRI) technology offers a compelling alternative to standard high-field MRI, with portable, low-cost systems. However, its clinical utility is limited by a low Signal-to-Noise Ratio (SNR), which hampers diagnostic image quality. A common approach to increase SNR is through repetitive signal acquisitions, known as NEX, but this results in excessively long scan durations. Although recent work has introduced methods to accelerate MRI scans through k-space sampling optimization, the NEX dimension remains unexploited; typically, a single sampling mask is used across all repetitions. Here we introduce NexOP, a deep-learning framework for joint optimization of the sampling and reconstruction in multi-NEX acquisitions, tailored for low-SNR settings. NexOP enables optimizing the sampling density probabilities across the extended k-space-NEX domain, under a fixed sampling-budget constraint, and introduces a new deep-learning architecture for reconstructing a single high-SNR image from multiple low-SNR measurements. Experiments with raw low-field (0.3T) brain data demonstrate that NexOP consistently outperforms competing methods, both quantitatively and qualitatively, across diverse acceleration factors and tissue contrasts. The results also demonstrate that NexOP yields non-uniform sampling strategies, with progressively decreasing sampling across repetitions, hence exploiting the NEX dimension efficiently. Moreover, we present a theoretical analysis supporting these numerical observations. Overall, this work proposes a sampling-reconstruction optimization framework highly suitable for low-field MRI, which can enable faster, higher-quality imaging with low-cost systems and contribute to advancing affordable and accessible healthcare.