隐式神经表示（Implicit Neural Representations, INR）近年来在医学成像领域崭露头角，成为一种极具潜力的范式。INR利用物理信息引导的无监督学习，能够在无需大量标注数据的情况下实现高质量图像重建。然而，传统的INR方法存在一个显著缺陷：对于每个新的受试者，都需要从头开始优化整个网络。这不仅导致训练过程效率低下，而且成像质量往往难以达到最优。为了克服这一局限，研究者们提出了基于初始化的方法，试图通过预训练网络注入人群先验知识。这类方法虽然在一定程度上提升了性能，但过度依赖高质量图像，并且在微调阶段容易发生灾难性遗忘，从而限制了其在实际临床中的应用。
针对上述挑战，来自上海科技大学等机构的研究团队提出了一种全新的INR框架——DisINR。该框架的核心创新在于显式地将共享表示和受试者特定表示进行解耦。具体而言，DisINR架构包含一个共享的编码器-解码器对，以及多个受试者特定的编码器。在图像重建过程中，共享编码器负责提取所有受试者共有的通用特征，而受试者特定编码器则负责捕获个体差异。这两种特征被联合解码，生成最终的重建图像。
为了训练共享模块，DisINR巧妙地集成了可微的前向模型。这使得模型能够直接从有限的原始测量数据中学习，而无需预先获取高质量图像。这一设计彻底消除了对高质量图像的依赖，大幅降低了数据采集成本。在测试阶段，DisINR仅优化受试者特定编码器，而共享的编码器-解码器对保持冻结状态。这种机制有效地保留了从训练数据中学习到的人群先验知识，同时避免了微调带来的灾难性遗忘。
研究团队在三个具有代表性的医学成像任务上对DisINR进行了全面评估，包括磁共振成像（MRI）、计算机断层扫描（CT）和超声成像。实验结果表明，无论是重建精度还是计算效率，DisINR都显著超越了当前最先进的INR方法。相关工作以论文形式发表在arXiv上，作者包括Qing Wu、Xuanyu Tian、Chenhe Du、Haonan Zhang、Xiao Wang、Le Lu和Yuyao Zhang。DisINR的提出为医学图像重建提供了一种高效且鲁棒的解决方案，有望推动临床应用中实时、高质量成像技术的发展。