DFUSNN:零射击双域融合无监督神经网络,用于并行MRI重建
Shengyi Chen1, Jizhong Duan1, Xinmin Ren1
1Faculty of Information Engineering and Automation, Kunming University of Science and Technology, Kunming 650500, People's Republic of China.
Physics in medicine and biology
|April 11, 2024
概括
一个新的零射击双域融合无监督神经网络 (DFUSNN) 可以在没有外部训练数据的情况下重建并行磁共振 (MR) 图像. 该方法实现了高质量的MR图像重建,克服了当前深度学习方法的局限性.
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:
- 深度学习模型擅长从低采样的k空间数据中重建并行磁共振 (MR) 图像.
- 目前的方法通常需要大量的完全采样MR数据数据集进行培训,在许多临床场景中很难获得这些数据.
研究的目的:
- 开发一种有效的无监督深度学习方法,用于并行MRI成像重建,消除了对外部培训数据集的需求.
- 提高MR图像重建质量,在获取完全采样数据具有挑战性的情况下.
主要方法:
- 介绍了一种新的零射击双域融合无监督神经网络 (DFUSNN).
- 在k空间域中利用了Noise2Noise (N2N) 网络,结合了相位和线圈灵敏度光滑度先验.
- 采用了早期停止标准以防止过拟合和贝叶斯优化用于双域融合.
主要成果:
- 在模拟中,DFUSNN与现有的无监督方法和Hankel-k-space生成模型 (HKGM) 相比,表现优越.
- 实现了与监督方法 (如深度单反相机) 相比的重建质量.
- 在三个数据集中验证,具有不同的亚样本模式.
结论:
- DFUSNN为高质量的并行MR图像重建提供了强大而有效的解决方案.
- 成功克服对大型外部培训数据集的依赖,使其适合数据稀缺的场景.
- 在医疗成像无监督深度学习方面取得了重大进展.


