使用有限数据进行基于深度学习的图像重建:使用深度学习生成合成原始数据
Frank Zijlstra1,2, Peter Thomas While3,4
1Department of Radiology and Nuclear Medicine, St Olav's University Hospital, Postboks 3250 Torgarden, 7006, Trondheim, Norway. Frank.Zijlstra@stolav.no.
Magma (New York, N.Y.)
|August 29, 2024
概括
合成数据生成提高了MRI重建质量,特别是当有限的原始数据可用时. 这种方法有效地利用现有的仅大小数据集来提高加速MRI扫描的性能.
科学领域:
- 医疗成像医学成像
- 人工智能的人工智能
- 机器学习 机器学习
背景情况:
- 深度学习擅长使用大量原始数据重建加速MRI扫描.
- 原始MRI数据的有限可用性对训练深度学习模型构成了挑战.
- 合成数据生成为增强小型数据集提供了一个潜在的解决方案.
研究的目的:
- 调查合成数据生成的有效性,以改善加速MRI重建.
- 评估合成数据对深度学习模型性能的影响,使用不同的数据集大小.
- 探索仅用于大小数据集的合成原始数据创建的使用.
主要方法:
- 一个敌对的自动编码器被用来从大小图像中生成合成相位和线圈灵敏度图.
- 通过将生成的地图与大小图像相结合,创建了合成原始MRI数据.
- 深度学习重建网络使用不同数量的真实和合成数据 (20-160次扫描) 进行训练,以实现四倍加速的MR任务.
主要成果:
- 使用合成数据的训练减少了重建错误,特别是在较小的训练集中 (平均绝对错误降低了7.5%).
- 对于较大的训练集,合成数据导致MAE略有增加 (高达2.6%).
- 当使用合成数据来补充有限的真实原始数据时,观察到性能增长.
结论:
- 合成原始数据生成有效地提高了MRI重建质量在数据有限的场景.
- 这种方法可以利用更容易获得的仅大小数据集,克服原始MRI数据的稀缺性.
- 合成数据为增强基于深度学习的加速MRI重建提供了有价值的策略.
