自主监督MR图像重建的理论框架,使用通过可变密度Noisier2Noise的子采样进行自我监督MR图像重建
1the Wellcome Centre for Integrative Neuroimaging, FMRIB, Nuffield Department of Clinical Neurosciences, University of Oxford, OX3 9DU Oxford, U.K.
IEEE transactions on computational imaging
|August 21, 2023
概括
这项研究增强了对磁共振成像 (MRI) 重建的自我监督学习,仅使用低样本数据. 新的方法可以提高图像质量和稳定性,而不需要完全采样数据集.
科学领域:
- 医疗成像医学成像
- 人工智能的人工智能
- 计算科学 计算科学
背景情况:
- 神经网络越来越多地用于重建亚样本磁共振成像 (MRI) 数据.
- 大多数当前的方法需要为监督培训采用完全采样的数据集,这些数据集通常是不切实际的.
- 自主监督的方法,仅使用亚样本数据,对于更广泛的MRI应用非常理想.
研究的目的:
- 扩展Noisier2Noise框架,用于自我监督的可变密度亚样本MRI数据的重建.
- 通过数据低采样 (SSDU) 方法为自主监督学习提供理论理由.
- 为提高性能,提出并验证SSDU方法的修改.
主要方法:
- 扩展Noisier2Noise框架以解决自我监督的MRI重建问题.
- 通过数据低采样 (SSDU) 方法进行自我监督学习的分析解释.
- 建议两项修改:分隔采样集和实施损失加权.
主要成果:
- 该Noisier2Noise框架为SSDU的有效性提供了分析解释.
- 拟议的修改大大提高了SSDU在fastMRI数据集上的图像恢复质量.
- 增强的SSDU证明了对分区参数的强度增加.
结论:
- 自主监督学习为MRI重建提供了可行的替代方法,当没有完全采样数据时,可以使用监督方法进行MRI重建.
- 修改后的SSDU方法,基于理论见解,在加速MRI领域取得了进展.
- 这项研究为更高效和更容易获得的MRI数据采集和重建铺平了道路.
