通过神经架构搜索的联合学习加速MR成像的可泛化重建

科学领域:

• 医疗成像医学成像
• 人工智能的人工智能
• 计算机科学 计算机科学

背景情况:

• 深度学习磁共振 (MR) 重建模型与来自不同扫描仪和协议的数据异质性作斗争.
• 集中式培训引发了隐私问题,而现有的联合学习方法复杂,计算成本昂贵,缺乏公平性.
• 目前用于MR图像重建的联合学习方法没有针对异质数据分布和公平性进行优化.

研究的目的:

• 为加速MR成像提出一个可通用的联合神经架构搜索框架 (GAutoMRI).
• 为解决MR图像重建的联合学习中数据异质性和隐私方面的挑战.
• 确保联合学习模型的公平性,防止对特定数据集分布的偏见.

主要方法:

• 开发了GAutoMRI,一个使用自动神经架构搜索用于MR图像表示学习的框架.
• 整合了公平性调整方法,以处理来自不同中心和设备的不一致数据分布.
• 利用联合学习进行协作培训,而无需直接共享数据.

主要成果:

• 与七种最先进的联合学习方法相比,GAutoMRI显示出更高的性能和概括能力.
• 拟议的模型在异构的MRI成像数据上取得了更好的结果.
• 在MR图像重建任务中,GAutoMRI显著更轻,更有效.

结论:

• GAutoMRI提供了一种有效和高效的解决方案,用于保护隐私的一般化MR图像重建.
• 该框架成功地解决了联合学习中的数据异质性和公平性问题.
• GAutoMRI为加速MRI成像提供了一种轻量级和高性能的替代方案.