知识卡片：UMPIRE-Net：用于加速 MRI 的展开幅度-相位正则化网络

• 一句话结论：UMPIRE-Net 通过把 MRI 重建中的复数图像显式分解为幅度和相位两个分量、分别进行正则化，并配合新的数据保真度公式，在含部分傅里叶（PF）的加速 MRI 重建中相比传统复值物理驱动深度学习基线获得了更清晰的图像和更少的伪影。

• 英文关键词：UMPIRE-Net; Accelerated MRI; Partial Fourier; Physics-driven deep learning; Magnitude-phase regularization

• 事件概述或研究问题：从欠采样 k 空间数据重建 MRI 图像是一个病态逆问题。物理驱动深度学习方法（PD-DL）通过将 MRI 前向模型与学习式正则化结合在算法展开框架中，取得了较好效果。然而，大多数现有 PD-DL 方法直接重建复值图像，相当于将幅度和相位隐式耦合在同一个学习表示中。这种耦合正则化在需要精确相位建模的场景（如部分傅里叶成像）中可能不是最优的。

• 方法/产品要点：UMPIRE-Net 提出对幅度和相位分量分别使用独立的学习正则化器，并设计了一种新的数据保真度公式来强制 k 空间测量一致性。显式分离幅度和相位有望减少对外部估计或预定义相位信息的依赖。

• 主要结果或产业意义：实验在多个数据集和不同加速因子下进行，结果显示 UMPIRE-Net 相比传统复值 PD-DL 基线提高了重建质量，图像更清晰、伪影更少。产业意义上，加速 MRI 有助于缩短扫描时间、提升患者体验，同时改善重建图像质量。具体定量数值、数据集规模等细节在摘要中未提供，待核实。

• 为什么重要：这项研究提示，在 MRI 重建中显式建模幅度和相位可能优于直接复值重建，特别是对部分傅里叶成像这类依赖相位信息的场景。它为 PD-DL 方法提供了新的网络设计思路，并且代码已公开（https://github.com/MahdiSaberii/UMPIRE-Net），便于复现和后续研究。

• 局限与不确定性：摘要未提供与多种先进方法的全面定量对比、具体加速因子与数据集细节、模型计算开销以及相位建模误差的影响等信息，这些内容待核实。代码是否完整可用、是否包含预训练模型等也待进一步确认。

• 可用于图书/PPT/简报的角度：可以围绕“为什么在复数 MRI 重建中要把幅度和相位拆开”来展开，以部分傅里叶成像为例说明相位建模的重要性；也可以作为“物理驱动深度学习 + 领域知识”如何改进网络设计的案例，用于讲解算法展开、k 空间数据保真度以及图像重建中的显式表示学习。

• 原始材料：
  英文标题：UMPIRE-Net: Unrolled Magnitude-Phase Regularization Network for Accelerated MRI
  arXiv ID：2608.14422v1
  作者：Mahdi Saberi, Toygan Kiliç, Mehmet Akçakaya
  提交时间：2026-08-14（根据 arXiv 元数据）
  URL：https://arxiv.org/abs/2608.14422v1
  PDF：https://arxiv.org/pdf/2608.14422v1