适应性知识蒸用于高质量的无监督MRI重建,使用模型驱动的Priors

科学领域:

• 医疗成像医学成像
• 人工智能的人工智能
• 信号处理 信号处理

背景情况:

• 深度学习 (DL) 和压缩传感 (CS) 已经推进了磁共振成像 (MRI) 重建.
• 现有的基于DL的方法通常需要大量的,完全采样的数据集,这些数据集并不总是可用.
• 目前的无监督MRI重建模型在性能,速度和分布对齐方面存在局限性.

研究的目的:

• 开发一种无监督的方法来训练具有竞争力的MRI重建模型.
• 为了实现端到端生成高质量的MRI样本,而无需完全采样数据.
• 提高无监督MRI重建的效率和有效性.

主要方法:

• 教师模型通过自我监督的学习在重新低采样图像上接受培训.
• 知识蒸是用来训练一个级联模型,使用低样本的k空间数据.
• 适应性蒸方法根据教师模型变异来重新称重样本,以提高蒸质量.

主要成果:

• 拟议的方法显著加速MRI重建推断.
• 与教师模型相比,蒸模型显示了保留或改善的性能.
• 实验显示,高峰信号噪声比率 (PSNR) 和结构相似度指数 (SSIM) 的改善率为5%-10%.
• 与教师模型相比,蒸模型的速度提高了10倍.

结论:

• 这种无监督的方法有效地训练了高性能MRI重建模型.
• 这种方法克服了对完全采样培训数据的需求.
• 这种技术为MRI重建提供了更快,更有效的解决方案.