基于物理信息的洛伦兹编码自监督隐式CEST重建

arXiv cs.LG 论文
self-supervised physics-informed cest-mri implicit-neural-representation reconstruction sparse-sampling lorentz-encoding

摘要

本文提出洛伦兹编码（LE），一种基于物理信息的框架，利用隐式神经表示和物理约束，从稀疏采样数据重建高分辨率CEST MRI，性能优于现有方法。

arXiv:2607.06132v1 公告类型：新 摘要：多池化学交换饱和转移（CEST）磁共振成像能提供有价值的代谢信息，但因其采集时间长而在临床应用中受限。尽管稀疏采样能缩短扫描时间，但从有限数据重建高分辨率Z谱仍是一个不适定的逆问题。传统的插值和通用隐式神经表示（INR）通常缺乏物理约束，导致频谱伪影和物理上无效的信号。为解决这一问题，我们提出洛伦兹编码（LE），一种基于物理信息的框架，通过隐式连续坐标学习将CEST重建任务公式化为自监督重建任务。与通用位置编码不同，LE通过将稀疏坐标投影到一个由参数化洛伦兹曲线与可学习基函数组合所支配的物理约束空间中，来正则化连续频谱映射。该机制有效降低了噪声，并强制与物理模型保持一致。在人体脑部活体数据上的实验表明，LE显著优于最先进方法。具体来说，在39点采样策略下，LE达到了57.58 dB的PSNR和0.9994的SSIM。此外，学习到的物理信息编码在隐空间中形成了连续、几何有序的轨迹，确保了准确的代谢物定量图谱（APT、NOE、MT）。
查看原文
查看缓存全文

缓存时间: 2026/07/08 04:46 

# 基于物理信息洛伦兹编码的自监督隐式CEST重建  
来源：https://arxiv.org/abs/2607.06132  
查看PDF (https://arxiv.org/pdf/2607.06132)  

> **摘要：**多池化学交换饱和转移（CEST）MRI能够提供有价值的代谢信息，但由于采集时间较长，其在临床应用中受到限制。尽管稀疏采样可以缩短扫描时间，但从有限数据中重建高分辨率Z谱仍然是一个不适定逆问题。传统的插值和通用的隐式神经表示（INRs）通常缺乏物理约束，导致频谱伪影和物理上无效的信号。为了解决这一问题，我们提出了洛伦兹编码（LE），这是一个基于物理信息的框架，通过隐式连续坐标学习将CEST重建构建为自监督重建任务。与通用位置编码不同，LE通过将稀疏坐标投影到一个受物理约束的空间中来正则化连续频谱映射，该空间由参数化洛伦兹型函数与可学习基函数的组合定义。这一机制有效降低了噪声，并强制执行与物理模型的一致性。在体人脑数据上的实验表明，LE显著优于现有最先进方法。具体而言，在39点采样策略下，LE实现了57.58 dB的PSNR和0.9994的SSIM。此外，学习到的物理信息编码在潜空间中形成了一条连续的、几何有序的轨迹，确保了准确的定量代谢物映射（APT、NOE、MT）。

## 提交历史

来自：李德宣 \[查看电子邮件 (https://arxiv.org/show-email/fe0ea8f9/2607.06132)\] **\[v1\]**2026年7月7日星期二 10:49:07 UTC（5,155 KB）

相似文章

物理自监督学习：无人工标签的IMU传感

arXiv cs.LG

提出物理自监督学习，一种用于无标签IMU传感的自编码器范式，该范式用基于物理的解码器替换神经解码器，在无人工标签的情况下，在跟踪和动作捕捉任务中实现高达5倍的误差减少。

Brain-CLIPLM：基于脑电压缩语义表征的语言重建解码

arXiv cs.CL

研究人员提出Brain-CLIPLM，一个两阶段脑电到文本解码框架，利用对比学习提取语义锚点，并结合基于检索的大语言模型（LLM）及思维链（CoT）推理进行句子重建。该方法在测试中达到67.55%的Top-5句子检索准确率和85.00%的Top-25准确率，显著优于直接解码基线模型，跨被试评估证实了其良好的泛化能力。研究结果表明，脑电到文本解码应聚焦于恢复压缩后的语义内容，而非完整句子重建。

Lite3R：一种高效的模型无关前馈3D重建框架

Hugging Face Daily Papers

Lite3R 是一个模型无关框架，通过稀疏线性注意力和 FP8 感知量化，提升了基于 Transformer 的 3D 重建效率。在保持 VGGT 和 DA3-Large 等主干网络几何精度的同时，它将延迟和内存占用降低了高达 2.4 倍。