FM-Recon
一种利用预训练基础模型冻结特征来增强心脏电影MRI加速重建的展开式重建网络框架,通过特征提取、精炼和融合模块将基础模型特征注入网络每一层。
时间轴 (近 90 天)
论文《FM-Recon: Exploring Foundation Model Features for Accelerated Cardiac Cine MRI Reconstruction》系统探索了将预训练基础模型特征整合到心脏电影MRI加速重建中。
FM-Recon框架使用冻结的基础模型图像编码器提取多尺度特征,经可训练的精炼网络调整后,注入到展开式重建网络的每一层中。
FM-Recon中基础模型参数保持冻结,仅训练轻量级的特征精炼和融合模块,以避免灾难性遗忘并降低计算开销。
研究在CMRxRecon2023数据集上进行了广泛实验,系统评估了不同重建设置下基础模型特征的影响。
在中等加速因子下,FM-Recon相比未使用基础模型特征的基线方法取得了更好的重建质量;而在极高加速因子下提升有限。
将特征注入展开式网络的每一层,比仅在输入端或输出端使用特征更有效,表明迭代过程中的持续引导至关重要。
FM-Recon的局限性包括:实验仅在心脏电影MRI上进行,尚未验证其他解剖部位或模态;基础模型的选择相对单一;特征融合方式还可进一步优化。
全部知识事实 (7)
论文《FM-Recon: Exploring Foundation Model Features for Accelerated Cardiac Cine MRI Reconstruction》系统探索了将预训练基础模型特征整合到心脏电影MRI加速重建中。
50%待验证FM-Recon框架使用冻结的基础模型图像编码器提取多尺度特征,经可训练的精炼网络调整后,注入到展开式重建网络的每一层中。
50%待验证FM-Recon中基础模型参数保持冻结,仅训练轻量级的特征精炼和融合模块,以避免灾难性遗忘并降低计算开销。
50%待验证研究在CMRxRecon2023数据集上进行了广泛实验,系统评估了不同重建设置下基础模型特征的影响。
50%待验证在中等加速因子下,FM-Recon相比未使用基础模型特征的基线方法取得了更好的重建质量;而在极高加速因子下提升有限。
50%待验证将特征注入展开式网络的每一层,比仅在输入端或输出端使用特征更有效,表明迭代过程中的持续引导至关重要。
50%待验证FM-Recon的局限性包括:实验仅在心脏电影MRI上进行,尚未验证其他解剖部位或模态;基础模型的选择相对单一;特征融合方式还可进一步优化。
50%