NMR 相关和交流实验的子采样
内容提要
该文综述深度学习与子采样在磁共振成像等信号重建中的应用：卷积网络将NMR信号反演视为图像回归，无需调超参数，速度与效果优于Tikhonov和MTGV正则化；次Nyquist采样仅用29%的k空间数据即可高质量重建MRI；张量采样可加速fMRI；子采样策略还能提升大数据优化与核方法效率，并用于自监督重建和深度插拔方法。
延伸解读
深度学习反演 NMR 信号的效率优势
文章指出，将 NMR 信号反演视为图像到图像的回归问题，卷积神经网络无需在重建前选择超参数，而 Tikhonov 和 MTGV 正则化则需要调参。模拟实验显示，深度学习方法反演速度显著更快，且在几乎所有情况下效果优于这两种正则化技术。这提示在追求快速、易用的 NMR 反演时，深度学习可作为传统正则化方法的替代方案。
次 Nyquist 采样大幅降低 MRI 数据需求
通过 k 空间次 Nyquist 采样，仅使用 29% 的 k 空间数据即可重建高质量 MRI 图像，效果与全采样标准重建相当。方法结合时间方向均匀子采样和极少量低频数据来解决图像折叠的定位不确定性。这表明在保证图像质量的前提下，大幅减少采样数据是可行的，为加速 MRI 采集提供了具体的数据压缩比例参考。
子采样策略的跨领域适用性
文章展示了子采样在多个场景中的价值：张量采样利用张量秩决定采样复杂度，可加速 fMRI 而不影响重建精度；基于模型影响力和损失的子采样能在减少 90% 数据扩增集的同时保持准确性和不变性；Nyström 子采样用于大规模核方法并具有学习界限保证。这些案例说明子采样不仅是成像加速手段，也是提升大数据优化和机器学习效率的通用策略。
自监督与深度插拔提升重建鲁棒性
在 MRI 数据稀缺时，Noisier2Noise 框架通过数据下采样进行自监督学习，提高重建质量和鲁棒性；深度插拔方法则能适应不同欠采样模式和采样率，提供稳健的加速重建性能。这些方法减少了对完全采样数据的依赖，增强了模型在不同采样设置下的泛化能力，为实际部署中应对数据不足和采样变化提供了思路。
Q&A
深度学习用于NMR信号反演相比传统正则化方法有什么优势？
深度学习将NMR信号反演视为图像到图像的回归问题，无需在重建前进行超参数选择，因此效率和易用性更高。实验表明，其反演速度显著快于Tikhonov和MTGV正则化方法，并且在几乎所有情况下重建效果更优。
如何利用次Nyquist采样加速磁共振成像？
在时间消耗方向上采用均匀子采样以捕捉高分辨率图像信息，同时允许由Poisson求和公式指导的图像折叠问题。为处理图像折叠产生的定位不确定性，仅添加极少量低频k空间数据。实验证明，仅需29%的k空间数据即可高质量重建MRI图像。
张量采样如何用于加速fMRI？
提出基于正则采样的三或高维张量信号重建框架，使用张量秩替代信号带宽来决定采样复杂度，适用于自然为张量的信号（如图像和视频）。将fMRI加速视为张量采样问题，设计实用的采样方案和算法框架，数值结果表明该策略能大大加速fMRI采样过程而不影响重建精度。
子采样策略如何提升大数据优化和核方法的效率？
对于大型数据拟合中高维参数的大量函数之和的优化问题，运用子采样提高计算效率，并分析了牛顿方法中Hessian矩阵和梯度的子采样对收敛速度的影响。对于大规模核方法，使用Nyström类型子采样，并在统计学习框架下证明学习界限，实验证明在基准大规模数据集上表现出色。
在MRI数据稀缺时，如何通过自监督学习提高重建质量？
使用Noisier2Noise框架进行自监督学习，通过数据下采样的方式提高重建质量和鲁棒性，并解释了SSDU方法的表现原理。
深度插拔方法在未采样的磁共振成像重建中表现如何？
深度插拔方法能够适应不同的采样设置，并在不同的欠采样模式和采样率下提供良好且稳健的加速图像重建性能。
