隱式神經表示（Implicit Neural Representations, INR）近年來在醫學成像領域嶄露頭角，成為一種極具潛力的正規化。INR利用物理資訊引導的無監督學習，能夠在無需大量標註資料的情況下實現高質量影像重建。然而，傳統的INR方法存在一個顯著缺陷：對於每個新的受試者，都需要從頭開始最佳化整個網路。這不僅導致訓練過程效率低下，而且成像質量往往難以達到最優。為了克服這一侷限，研究者們提出了基於初始化的方法，試圖透過預訓練網路注入人群先驗知識。這類方法雖然在一定程度上提升了效能，但過度依賴高質量影像，並且在微調階段容易發生災難性遺忘，從而限制了其在實際臨床中的應用。
針對上述挑戰，來自上海科技大學等機構的研究團隊提出了一種全新的INR框架——DisINR。該框架的核心創新在於顯式地將共享表示和受試者特定表示進行解耦。具體而言，DisINR架構包含一個共享的編碼器-解碼器對，以及多個受試者特定的編碼器。在影像重建過程中，共享編碼器負責提取所有受試者共有的通用特徵，而受試者特定編碼器則負責捕獲個體差異。這兩種特徵被聯合解碼，生成最終的重建影像。
為了訓練共享模組，DisINR巧妙地整合了可微的前向模型。這使得模型能夠直接從有限的原始測量資料中學習，而無需預先獲取高質量影像。這一設計徹底消除了對高質量影像的依賴，大幅降低了資料採整合本。在測試階段，DisINR僅最佳化受試者特定編碼器，而共享的編碼器-解碼器對保持凍結狀態。這種機制有效地保留了從訓練資料中學習到的人群先驗知識，同時避免了微調帶來的災難性遺忘。
研究團隊在三個具有代表性的醫學成像任務上對DisINR進行了全面評估，包括磁共振成像（MRI）、計算機斷層掃描（CT）和超聲成像。實驗結果表明，無論是重建精度還是計算效率，DisINR都顯著超越了當前最先進的INR方法。相關工作以論文形式發表在arXiv上，作者包括Qing Wu、Xuanyu Tian、Chenhe Du、Haonan Zhang、Xiao Wang、Le Lu和Yuyao Zhang。DisINR的提出為醫學影像重建提供了一種高效且魯棒的解決方案，有望推動臨床應用中即時、高質量成像技術的發展。