噪音2Recon:通过半监督和自我监督的学习实现SNR强大的MRI重建

科学领域:

• 医疗成像医学成像
• 人工智能的人工智能
• 机器学习 机器学习

背景情况:

• 加快MRI采集对于缩短扫描时间至关重要.
• 重建方法经常与信号与噪声比率 (SNR) 的变化以及有限的完全采样数据作斗争.
• 深度学习模型看起来很有前途,但需要大量的标记数据才能达到最佳性能.

研究的目的:

• 开发一种新的深度学习方法,Noise2Recon,用于加速MRI重建.
• 为了增强对信号噪声比 (SNR) 变化和分布转移的稳定性.
• 为了使有限的全样本 (标记) 和丰富的下样本 (未标记) MRI 数据进行训练.

主要方法:

• 提议Noise2Recon,一种针对自主监督学习的一致性培训方法.
• 利用完全采样和低采样扫描,在低采样和噪声增强扫描之间强制执行重建一致性.
• 在膝盖和大脑MRI数据集上,Noise2Recon与压缩传感和监督/自我监督深度学习基线进行了比较.

主要成果:

• 在标签限制的设置中,Noise2Recon在结构相似性,峰值信号噪声比率和正常化的RMS误差方面取得了卓越的性能.
• 在低SNR条件下和对外分布 (OOD) 加速因子进行概括时,表现优于所有基线.
• 证明了与经过大量数据训练的完全监督模型可比的性能.

结论:

• 噪音2Recon为加速MRI重建提供了一种标签效率高且强大的解决方案.
• 该方法有效地处理分布变化,包括SNR变化和变化的加速度因子.
• 在有限的训练数据的情况下,Noise2Recon显示了提高MRI重建质量的潜力.