RED POSTERIORA DE FONDO A FONDO (DEEPEN) para los problemas invertidos

Área de la Ciencia:

• Imágenes médicas
• Neurociencia computacional
• Aprendizaje automático

Sus antecedentes:

• Los marcos de optimización desenrollados de extremo a extremo (E2E) son prometedores para la recuperación de imágenes de resonancia magnética (MR).
• Estos métodos deterministas enfrentan desafíos con un alto uso de memoria durante el entrenamiento y carecen de capacidades de muestreo de distribución posterior.

Objetivo del estudio:

• Introducir un enfoque de memoria eficiente para el aprendizaje E2E de la distribución posterior en la reconstrucción de imágenes de RM.
• Para permitir la cuantificación de la incertidumbre junto con la recuperación de imágenes.

Principales métodos:

• Un nuevo marco que combina un término de probabilidad de consistencia de datos y un modelo de energía previa parametrizado por CNN.
• Aprendizaje E2E de las ponderaciones de CNN a través de la optimización de la máxima probabilidad.
• Optimización máxima a posteriori (MAP) para la recuperación de imágenes a partir de datos de resonancia magnética submuestreados.

Principales resultados:

• El método propuesto obtiene un rendimiento comparable al de los algoritmos desenrollados E2E intensivos en memoria.
• Supera a las contrapartes existentes de memoria eficiente en la reconstrucción de imágenes de RM.
• El marco genera con éxito mapas de incertidumbre derivados del muestreo de distribución posterior.

Conclusiones:

• Este marco de aprendizaje E2E eficiente en la memoria avanza en la reconstrucción de imágenes de RM.
• Ofrece una solución viable para imágenes de resonancia magnética de alta dimensión (3D +).
• La capacidad de muestrear la distribución posterior proporciona información valiosa sobre la incertidumbre.