Accelerating Stroke MRI with Diffusion Probabilistic Models through Large-Scale Pre-training and Target-Specific Fine-Tuning¶
会议: CVPR 2026
arXiv: 2603.13007
代码: 无
领域: Medical Imaging / MRI Reconstruction
关键词: accelerated MRI, diffusion probabilistic models, foundation model, stroke MRI, fine-tuning
一句话总结¶
提出一种受基础模型范式启发的训练策略，先在大规模多对比度脑部 MRI 数据上预训练扩散概率模型（DPM），再用仅 20 例目标域数据微调，实现数据受限场景下与大数据集训练可比的 MRI 加速重建质量，临床盲评显示从 2× 加速数据重建的图像与标准诊疗不相上下。
研究背景与动机¶
领域现状：基于深度学习的 MRI 加速重建已达到 SOTA 水平，但这些模型通常需要大量特定应用的全采样数据进行训练。扩散概率模型（DPM）因不依赖特定采集前向模型而具有优势，但同样面临训练数据需求问题。
现有痛点：(1) 中风 MRI 中 FLAIR、SWI、DWI 等序列的全采样数据极其稀缺，限制了机器学习加速方法的应用；(2) 自监督方法（如 k-space splitting）虽减轻数据需求，但重建质量不及大数据训练的方法；(3) 端到端重建方法要求外部数据集与目标数据集使用相同的采集模型（采样模式、线圈几何等），限制了跨域迁移。
核心矛盾：中风 MRI 的临床需求迫切（MRI 比 CT 检测缺血性中风更灵敏），但扫描时间长和运动敏感性是瓶颈——深度学习加速可解决但缺乏训练数据。
本文目标：在仅有 20 例全采样目标域数据的情况下，训练出高质量的 DPM 加速重建模型。
切入角度：借鉴大语言模型的预训练-微调范式。DPM 本身不依赖采集前向模型（学习的是图像先验而非端到端映射），因此预训练数据可以来自任意对比度和采集参数——这是 DPM 相对端到端方法的独特优势。
核心 idea：大规模多对比度预训练 + 小数据目标域微调（降低学习率 + 短训练） = 数据高效的 DPM-MRI 重建。
方法详解¶
整体框架¶
两阶段训练：(1) 在 fastMRI 的约 4000 例多对比度（T1、T2、T1-post）脑部 MRI 上预训练 DPM；(2) 在仅 20 例目标域数据上微调，学习率降低一个数量级，训练 epochs 约为预训练的 2%。推理时使用 Diffusion Posterior Sampling（DPS）从欠采样 k-space 重建图像。
关键设计¶
-
对比度条件化的 DPM 架构:
- 功能：使单一模型同时学习多种 MRI 对比度的图像分布
- 核心思路：为每种对比度分配 one-hot 向量，通过小型全连接网络生成 embedding，注入 U-Net 的每个 block。DPM 和 embedding 网络联合训练。采用 EDM 框架的训练损失、数据增强、优化器和噪声调度
- 设计动机：预训练阶段需要混合多对比度数据以增加多样性和泛化性，条件化机制让模型能区分不同对比度的图像分布
-
预训练-微调策略:
- 功能：从大规模外部数据有效迁移到小规模目标域
- 核心思路：预训练使用学习率 \(10^{-4}\) 训练 625,000 epochs。微调时(a) 学习率降至 \(10^{-5}\)（降低一个数量级），(b) 仅训练 650 epochs（约预训练的 0.1%），(c) 为目标对比度分配新的 one-hot 向量并更新 embedding 网络权重。关键超参数消融显示：不微调→对比度适应不足；过度微调→过拟合到小数据集
- 设计动机：受 LLM 持续预训练策略启发，通过降低学习率和限制训练时长来平衡对比度适应与灾难性遗忘
-
Diffusion Posterior Sampling（DPS）重建:
- 功能：利用训练好的 DPM 先验从欠采样 k-space 近似采样后验 \(p(x|y)\)
- 核心思路：求解 ODE \(d\mathbf{x} = [-t(\nabla_{\mathbf{x}} \|\mathbf{PFS}\tilde{\mathbf{x}}(\mathbf{x}) - \mathbf{y}\|_2^2 + D_\theta(\mathbf{x}, t))] dt\)，其中 \(D_\theta\) 为 DPM 近似的先验 score，数据一致性项 \(\nabla_{\mathbf{x}} \|\cdot\|_2^2\) 保证重建与观测数据一致。引入可调步长 \(\zeta_i\) 平衡数据一致性与先验强度
- 设计动机：DPM 学习图像先验而非端到端映射，使其可与任意采集模型组合；\(\zeta\) 需要根据加速倍率调整（高加速需更大 \(\zeta\)）
损失函数 / 训练策略¶
训练使用 EDM 损失（score matching），预训练和微调阶段统一。关键微调策略超参数：学习率从 \(\{5 \times 10^{-4}, 10^{-4}, 5 \times 10^{-5}, 10^{-5}\}\) 中选优（\(10^{-5}\) 最佳），epochs 从 \(\{0, 625, 1250, 1875, 2500\}\) 中选优（650 最佳用于 FLAIR，随对比度而异）。
实验关键数据¶
主实验¶
fastMRI FLAIR 重建对比（不同训练方法，NRMSE）：
| 方法 | 数据规模 | R=4 | R=5 | R=6 |
|---|---|---|---|---|
| Method 1: 全数据集联合训练 | 4000+ 含 344 FLAIR | 基准线 | — | — |
| Method 3: 仅 344 FLAIR | 344 subjects | 与 M1 可比 | — | — |
| Method 5: 仅 20 FLAIR | 20 subjects | 显著劣于 M1 | — | — |
| Method 6: 联合训练（无微调） | 4000+ 含 20 FLAIR | 劣于 M4 | — | — |
| Method 4（本文）: 预训练+微调 | 预训练 4000 + 微调 20 | 与 M1-3 可比 | — | — |
消融实验¶
微调超参数对 NRMSE 的影响（FLAIR，多加速倍率）：
| 学习率 | 650 epochs | 1250 epochs | 2500 epochs | 说明 |
|---|---|---|---|---|
| \(5 \times 10^{-4}\) | 较差 | 更差 | 最差 | 学习率过高，过拟合 |
| \(10^{-4}\) | 中等 | 下降 | 下降 | 仍偏高 |
| \(5 \times 10^{-5}\) | 较好 | 轻微下降 | 下降 | 接近最优 |
| \(10^{-5}\) | 最好 | 轻微下降 | 下降 | 最优学习率 |
临床盲评（Reader 1，80 例，5分制，标准诊疗 vs. 2× 加速重建）：
| 指标 | 标准诊疗 | DPM 加速重建 | 显著性 |
|---|---|---|---|
| 灰质勾勒 | 4.8 | 4.9 | 无显著差异 |
| 白质勾勒 | 4.8 | 4.9 | DPM 显著更好 |
| 脑室勾勒 | 4.8 | 4.9 | DPM 显著更好 |
| SNR | 4.2 | 4.7 | DPM 显著更好 |
| 整体质量 | 4.5 | 4.8 | DPM 显著更好 |
关键发现¶
- 仅 20 例目标域数据微调即可达到 344 例直接训练的可比效果，预训练是关键
- 微调存在明显的"甜蜜点"——不微调（不适应）和过度微调（过拟合）都会导致退化
- 数据一致性步长 \(\zeta\) 的最优值随加速倍率增大而增大（少数据时需更强的数据一致性约束）
- 前瞻性欠采样实验证实方法在真实采集场景下同样有效
- Reader 1 给 DPM 重建在多个指标上评分更高，可能归因于后验采样的去噪效应
亮点与洞察¶
- 方法看似"简单"（预训练+微调+降学习率），但针对 MRI 场景的洞察很深——DPM 学习图像先验而非端到端映射，天然适合跨采集模型迁移
- 临床验证（80 例盲评 + 2 位神经放射科医师）是强有力的证据，从方法论文到临床非劣效的完整链路
- "DPM 比端到端方法更适合基础模型范式"的论点有说服力——不受采集前向模型约束
- 微调超参数的系统消融为实践者提供了清晰指导
局限与展望¶
- DPM 后验采样重建时间远长于传统并行成像和端到端方法，临床部署需提速
- 临床评估主要基于回顾性欠采样，前瞻性验证仅限健康志愿者
- 未评估重建对下游临床决策（如中风病灶分割、治疗决策）的影响
- Reader 间一致性较低（Cohen's kappa 多为 slight-fair agreement）
相关工作与启发¶
- 与 NLP 领域的"预训练-微调"范式异曲同工，但在 MRI 中的关键不同在于 DPM 的采集模型无关性
- 自监督方法（Noise2Recon、k-space splitting）不需要全采样数据但质量有上限
- 该策略可推广到其他数据稀缺的医学影像场景（如罕见病、小儿影像、低场 MRI）
评分¶
- 新颖性: ⭐⭐⭐ 方法本身是预训练-微调的标准范式应用，但对 DPM-MRI 场景的适配和洞察有价值
- 实验充分度: ⭐⭐⭐⭐⭐ 控制实验 + 临床中风应用 + 80 例盲评读者研究 + 前瞻性实验，非常完整
- 写作质量: ⭐⭐⭐⭐ 条理清晰，控制实验设计严谨
- 价值: ⭐⭐⭐⭐ 为数据受限的临床 MRI 加速提供了实用方案，临床验证增强了可信度
Accelerating Stroke MRI with Diffusion Probabilistic Models through Large-Scale Pre-training and Target-Specific Fine-Tuning¶
会议: CVPR 2026
arXiv: 2603.13007
代码: 无
领域: 医学影像 / MRI 重建
关键词: diffusion model, MRI reconstruction, foundation model, stroke imaging, pre-training fine-tuning
一句话总结¶
提出一种受基础模型范式启发的 MRI 加速重建训练策略——先在约 4000 名受试者的多种对比度脑 MRI 数据上大规模预训练扩散概率模型，再用仅 20 名目标受试者的数据微调，在临床脑卒中 MRI 中实现与标准治疗非劣效的 2× 加速重建。
研究背景与动机¶
领域现状：MRI 在脑卒中诊断中比 CT 灵敏度更高、定位更精确，但扫描时间长且易受运动伪影影响。机器学习加速重建方法已达 SOTA，但通常需要针对特定应用的大量全采样训练数据。
现有痛点：(1) 脑卒中 MRI 的全采样训练数据极其稀缺——专门的脑卒中数据集很小；(2) 自监督方法虽能缓解数据需求，但重建质量仍低于大数据训练的方法；(3) 端到端方法要求外部大数据集和目标数据集使用相同的采集模型（采样模式、线圈几何等），限制了跨场景迁移。
核心矛盾：高质量 MRI 重建需要大量目标域数据训练，但临床特定场景（如脑卒中）恰恰数据稀缺。
本文目标：如何在仅有少量目标域全采样数据（20 名受试者）的情况下，训练出与大数据训练模型质量相当的 MRI 加速重建模型。
切入角度：选择扩散概率模型（DPM）——因为 DPM 对采集前向模型是不可知的，预训练和微调可以使用不同的采样模式/线圈几何。
核心 idea：在大规模多对比度脑 MRI 上预训练 DPM 学习通用的脑 MRI 先验，再用极少量目标域数据、降低学习率和短时微调，实现数据受限场景下的高质量加速重建。
方法详解¶
整体框架¶
两阶段训练策略：(1) 在 fastMRI 数据集约 4000 名受试者的 T1/T2/T1-post 多对比度脑 MRI 上大规模预训练 DPM；(2) 在目标域小数据集（20 名受试者的 FLAIR 或临床脑卒中数据）上微调。推理时使用扩散后验采样 (DPS) 从欠采样 k-space 数据重建图像。
关键设计¶
-
对比度条件化扩散模型 (Contrast-Conditioned DPM):
- 功能：使单个 DPM 能同时学习多种 MRI 对比度的分布
- 核心思路：为每种对比度类型分配 one-hot 向量，经小型全连接网络生成嵌入向量，U-Net 的每个块接收该嵌入作为输入调节行为。网络学习得分函数 \(\nabla_{x_t} \log p_t(x)\)，其中 \(p_t(x)\) 是高斯噪声扰动后的图像分布。微调时目标对比度使用自己的 one-hot 编码
- 设计动机：不同于端到端方法要求一致的采集模型，DPM 对采集模型不可知，可在不同对比度/采集参数间自由迁移
-
受控微调策略 (Controlled Fine-Tuning Strategy):
- 功能：在极少量目标域数据上有效适应而不过拟合
- 核心思路：将学习率降低一个数量级（从 \(10^{-4}\) 降至 \(10^{-5}\)），训练仅约预训练时间的 2%（约 650 个 epoch）。更新所有模型权重和嵌入网络权重。关键发现：不微调性能差，微调过度同样性能差——存在最优的"甜蜜点"
- 设计动机：防止对有限目标数据过拟合，保留大规模预训练获得的多对比度先验知识，避免灾难性遗忘
-
扩散后验采样 (Diffusion Posterior Sampling, DPS):
- 功能：从欠采样 k-space 数据重建图像
- 核心思路：求解 ODE：\(d\mathbf{x} = [-t(\nabla_{\mathbf{x}} \|\mathbf{PFS}\tilde{\mathbf{x}}(\mathbf{x}) - \mathbf{y}\|_2^2 + D_\theta(\mathbf{x}, t))] dt\)，其中数据一致性项 \(\nabla_{\mathbf{x}} \|\mathbf{PFS}\tilde{\mathbf{x}} - \mathbf{y}\|_2^2\) 确保重建图像与测量数据一致，\(D_\theta\) 是 DPM 学到的先验。超参数 \(\zeta\) 平衡数据一致性和学习先验的权重，且最优 \(\zeta\) 随加速倍率增大而增大
- 设计动机：DPM 学习的是图像的先验分布而非直接的重建映射，因此可以与任意采集模型组合
损失函数 / 训练策略¶
- 预训练和微调均使用 "EDM" 训练损失、数据增强、AdamW 优化器
- 微调学习率：\(1 \times 10^{-5}\)（预训练的 1/10）
- 微调 epoch 数：约 650（预训练的 ~2%）
- 后验采样步数 \(N\) 和数据一致性权重 \(\zeta\) 在验证集上调优
实验关键数据¶
主实验¶
fastMRI FLAIR 重建实验（Method 4 = 本文方法，仅 20 FLAIR 受试者）：
| 方法 | FLAIR 数据量 | NRMSE (R=4) | 说明 |
|---|---|---|---|
| Method 1 | 344 | ~最低 | 全数据训练（上界） |
| Method 3 | 344 | ~最低 | 仅 FLAIR 训练 |
| Method 4 (Ours) | 20 | 与 M1-3 相当 | 预训练+微调 |
| Method 5 | 20 | 较差 | 仅 20 FLAIR 训练 |
| Method 6 | 20 + 外部 | 较差 | 联合训练（无微调） |
消融实验¶
| 微调配置 | NRMSE | 说明 |
|---|---|---|
| 不微调 (0 epoch) | 较差 | 对比度适应不足 |
| LR=\(5 \times 10^{-4}\), 650 epoch | 较差 | 学习率过高导致过拟合 |
| LR=\(1 \times 10^{-5}\), 650 epoch | 最优 | 平衡适应与保留 |
| LR=\(1 \times 10^{-5}\), 2500 epoch | 较差 | 训练过久导致过拟合 |
关键发现¶
- 临床读片研究（80 名脑卒中患者）：两名神经放射科医师(11年和30年经验)盲评，2× 加速重建被评为与标准治疗非劣效
- 读片者 1 评分（满分 5 分）：标准治疗 vs 加速重建 = [4.5, 4.8]（总体质量），加速重建在 SNR、锐度、伪影等方面甚至略优
- 前瞻性欠采样实验验证了方法在回顾性和前瞻性设置下的一致性
亮点与洞察¶
- 极其简洁但有效——核心方法就是"大规模预训练 + 降低学习率短时微调"，没有复杂的模块设计
- DPM 对采集模型不可知的特性是关键——使跨对比度/跨设备迁移成为可能
- 序贯微调（先预训练再微调）显著优于联合训练，验证了基础模型范式在医学影像中的有效性
- 临床读片研究提供了罕见的临床验证证据
局限与展望¶
- 扩散后验采样推理速度慢——每切片重建时间远超传统并行成像和端到端方法
- 临床评估基于回顾性欠采样，前瞻性验证仅限于健康志愿者
- 未评估对下游临床决策（如脑卒中病灶检测准确率）的影响
- 微调超参数（学习率、epoch 数）需要针对每种对比度分别调优
相关工作与启发¶
- fastMRI：提供大规模公开脑 MRI 数据，使大规模预训练成为可能
- DPS (Chung et al.)：扩散后验采样的理论基础
- EDM (Karras et al.)：Score-based DPM 的训练框架
- 启发：基础模型的"预训练+微调"范式对医学影像中的数据稀缺场景（如罕见病、特殊部位）具有广泛适用性
评分¶
- 新颖性: ⭐⭐⭐ 方法本身是已有技术的组合应用（预训练+微调+DPS），但在临床脑卒中MRI中的应用有价值
- 实验充分度: ⭐⭐⭐⭐⭐ 包含受控实验+临床应用+盲评读片研究+前瞻性验证，极为充分
- 写作质量: ⭐⭐⭐⭐ 医学论文风格，条理清晰，实验设计严谨
- 价值: ⭐⭐⭐⭐ 解决了脑卒中MRI加速的实际临床需求，有望缩短脑卒中患者扫描时间
Accelerating Stroke MRI with Diffusion Probabilistic Models through Large-Scale Pre-training and Target-Specific Fine-Tuning¶
会议: CVPR 2026
arXiv: 2603.13007
代码: 无
领域: 医学影像 / MRI重建
关键词: accelerated MRI, diffusion probabilistic model, foundation model, stroke MRI, fine-tuning
一句话总结¶
受基础模型范式启发，提出一种数据高效的扩散概率模型 (DPM) 训练策略——先在大规模多对比度脑 MRI 数据（~4000 受试者）上预训练，再用极少量目标域数据（仅 20 受试者）微调，在临床中风 MRI 加速重建中达到与大规模训练相当的质量，临床读片研究证实重建质量与标准诊疗无显著差异。
研究背景与动机¶
领域现状：机器学习在加速 MRI 重建方面已达到 SOTA 水平，但这些方法通常在特定应用数据集上训练，在数据有限时性能显著退化。
现有痛点：(1) 中风 MRI 是一个典型的data-scarce场景——MRI 虽比 CT 能更敏感检测缺血性卒中，但扫描时间长、运动敏感导致延误治疗；(2) 现有自监督/少数据方法质量不如全监督基线；(3) 端到端重建方法要求外部和目标数据集采用相同的采样模式和线圈几何，缺乏灵活性。
核心矛盾：临床中风 MRI 迫切需要加速重建以减少扫描时间，但特定中风数据太少无法训练高质量的重建模型。
本文目标：如何在目标域全采样数据极其有限（20-25 受试者）时，训练出高质量的 DPM 加速 MRI 重建模型。
切入角度：利用 DPM 对采集前向模型的不可知性——预训练在不同采样模式的大量数据上学习图像先验分布，微调只需适应目标对比度，无需相同的采样模式。
核心 idea：大规模预训练 + 精心控制的少量微调（降低学习率一个数量级 + 训练极少 epoch）= DPM 在数据受限临床中风 MRI 中的高质量重建。
方法详解¶
整体框架¶
两阶段训练策略：(1) 在 fastMRI 约 4000 受试者的多对比度脑 MRI（T1、T2、T1-post）上预训练 DPM；(2) 在 20-25 个目标中风患者的特定序列数据上微调，降低学习率（\(1 \times 10^{-5}\)）并限制训练 epoch（~650 epochs，约预训练时间的 2%）。推理使用 Diffusion Posterior Sampling (DPS) 从欠采样数据重建。
关键设计¶
-
对比度条件化的 DPM 架构:
- 功能：使单个 DPM 能同时处理多种 MRI 对比度
- 核心思路：每种对比度类型分配一个 one-hot 向量，通过小型全连接网络产生嵌入向量，U-Net 的每个块接收该嵌入作为额外输入。模型学习 score function \(\nabla_{x_t} \log p_t(x)\)，其中 \(p_t(x)\) 为被高斯噪声 \(\sigma_t\) 扰动的图像分布。DPM 和嵌入网络联合训练
- 设计动机：异构对比度数据需要模型能区分不同对比度特性，条件化允许模型根据对比度调整行为
-
精心控制的微调策略:
- 功能：在极少目标域数据上有效适应模型而不过拟合
- 核心思路：将学习率降低一个数量级（预训练 \(10^{-4}\) → 微调 \(10^{-5}\)），训练仅 ~650 epochs（约预训练的 2%）。为目标对比度分配新的 one-hot 向量并更新嵌入网络权重。实验表明微调不足导致适应不充分，微调过度导致过拟合——存在最优微调窗口
- 设计动机：基础模型微调的核心挑战在于平衡适应和遗忘——低学习率+短训练时间避免灾难性遗忘同时实现对比度适应
-
Diffusion Posterior Sampling (DPS) 重建:
- 功能：利用学到的图像先验从欠采样 k-space 数据重建图像
- 核心思路：求解 ODE \(d\mathbf{x} = [-t(\nabla_{\mathbf{x}} \|\mathbf{PFS}\tilde{\mathbf{x}}(\mathbf{x}) - \mathbf{y}\|_2^2 + D_\theta(\mathbf{x}, t))]dt\)，其中第一项为数据一致性（将重建推向与测量值匹配），第二项为学到的先验 score。数据一致性权重 \(\zeta\) 是关键超参数——更高加速倍率需要更大 \(\zeta\)
- 设计动机：DPM 的不可知性是关键优势——与端到端方法不同，DPM 只需学习图像分布，推理时通过后验采样与任意采集模型组合
损失函数 / 训练策略¶
- 预训练和微调均使用 EDM 训练损失
- 采用固定数据增强策略和噪声级别调度
- 后验采样中 \(\zeta\) 正比于加速倍率（更少 k-space 数据 → 更大数据一致性权重）
实验关键数据¶
主实验¶
fastMRI FLAIR 重建 NRMSE（预训练在 T1/T2/T1-post，微调在 20 FLAIR 受试者 vs 使用 344 FLAIR 受试者训练）:
| 方法 | 数据量 | R=4 | R=5 | R=6 | 说明 |
|---|---|---|---|---|---|
| Method 1 (全数据集) | 4125 | 最优 | 最优 | 最优 | 上界 |
| Method 3 (344 FLAIR) | 344 | 接近最优 | 接近最优 | 接近最优 | 上界 |
| Method 4 (本文) | 20 FLAIR | 可比 | 可比 | 可比 | 仅用 5.8% 数据 |
| Method 5 (20 FLAIR only) | 20 | 显著差 | 显著差 | 显著差 | 无预训练 |
| Method 6 (联合训练) | 4000+20 | 较差 | 较差 | 较差 | 不如顺序微调 |
消融实验¶
微调超参数对 NRMSE 的影响：
| 学习率 | 650 epochs | 1250 epochs | 2500 epochs | 说明 |
|---|---|---|---|---|
| \(5 \times 10^{-4}\) | 中等 | 过拟合 | 严重过拟合 | 学习率过高 |
| \(1 \times 10^{-4}\) | 较好 | 轻微过拟合 | 过拟合 | - |
| \(5 \times 10^{-5}\) | 好 | 好 | 轻微过拟合 | - |
| \(1 \times 10^{-5}\) | 最优 | 好 | 略差 | 最佳配置 |
关键发现¶
- 临床读片研究（80 名患者、2 名放射科医生）：DPM 从 2× 加速数据重建的图像与标准诊疗在结构描绘和图像质量上无显著差异
- Reader 1（80 名患者）：多项指标 DPM 重建显著优于标准诊疗（SNR、锐度、伪影）
- Reader 2（21 名患者）：仅 SNR 一项标准诊疗显著优于 DPM，其余无显著差异
- 顺序微调显著优于联合训练——当目标域数据稀缺时，顺序微调更有效
亮点与洞察¶
- 策略极其简单但高度有效——"大规模预训练 + 降低学习率微调"在 MRI 重建中首次系统验证
- 临床读片研究是强有力的验证——不仅 NRMSE 好，真正验证了临床可接受性
- DPM 的采集模型不可知性是杀手级优势——预训练和目标数据可以有不同的采样模式和线圈
- 前瞻性欠采样实验进一步验证了回顾性结果的可靠性
局限与展望¶
- 临床评估仅涉及回顾性欠采样，前瞻性验证仅限健康志愿者
- DPM 后验采样重建时间远长于传统方法和端到端方法，限制临床部署
- 微调超参数（学习率、epoch 数）需要对每种对比度分别调优
- 两名读片医生的一致性仅为"slight"到"fair"，提示主观评估的固有变异性
相关工作与启发¶
- fastMRI：提供了大规模预训练数据集
- DPS (Chung et al.)：提供了后验采样框架
- 基础模型范式 (Bommasani et al.)：启发了预训练-微调策略
- 启发：该策略可直接推广到其他数据稀缺的医学影像重建任务（如心脏 MRI、musculoskeletal MRI）
评分¶
- 新颖性: ⭐⭐⭐ 方法本身（预训练+微调）不新颖，但在 MRI 重建中的系统验证有价值
- 实验充分度: ⭐⭐⭐⭐⭐ fastMRI 控制实验 + 临床中风数据 + 80 患者盲法读片研究 + 前瞻性实验，极其全面
- 写作质量: ⭐⭐⭐⭐ 临床导向的写作风格，实验设计严谨
- 价值: ⭐⭐⭐⭐ 直接推动 DPM 在临床 MRI 加速中的落地，读片研究证实临床可行性