FCSSL:融合增强的对比自主监督学习方法,用于并行MRI重建

科学领域:

• 医疗成像医学成像
• 人工智能的人工智能
• 深度学习 (Deep Learning) 是一种深度学习.

背景情况:

• 深度学习显著加速磁共振成像 (MRI),但需要完全采样的数据集,这些数据集通常是不可行的或昂贵的.
• 现有的方法在数据限制下扎,阻碍了在资源有限的场景中广泛应用.

研究的目的:

• 开发一种用于并行MRI重建的新型自主监督学习方法,不需要完全采样的k空间数据和线圈灵敏度图.
• 通过对比学习框架和自适应融合网络,增强代表能力和重建质量.

主要方法:

• 提出了一种融合增强的对比自主监督学习 (FCSSL) 方法,用于并行MRI重建.
• 实施了对比式学习框架,重新采样面具以提高代表性能力.
• 设计了一个新的自适应融合网络,以自我监督的方式进行训练,以整合重建结果.

主要成果:

• 与其他自我监督的方法相比,FCSSL在膝盖数据集上表现出优异的重建性能.
• FCSSL的性能接近监督方法,而不需要完全采样数据,特别是在2DRU和RADU口罩下.
• 该模型对未见的低样本面具进行了有效的概括,并在对新数据进行最小微调后实现了可比性能.

结论:

• 在没有完全采样数据集的情况下,FCSSL为高质量的MRI重建提供了可行的解决方案.
• 该方法克服了在获取完整MR数据具有挑战性的场景中的重大障碍.
• 这种方法推进了医学成像中的自我监督学习应用,使得MRI更快,更容易获得.