使用弱监督加速多线圈MRI图像重建
Arda Atalık1,2,3, Sumit Chopra4,5,6, Daniel K Sodickson7,5,6
1Center for Data Science, New York University, 60 Fifth Ave, New York, NY, 10011, USA. Arda.Atalik@nyu.edu.
Magma (New York, N.Y.)
|October 9, 2024
概括
这项研究介绍了一种弱监督的,以物理为指导的深度学习方法,用于更快的磁共振成像 (MRI) 重建. 它提高了图像质量和稳定性,特别是在有限的数据中,使用转移学习.
科学领域:
- 医疗成像医学成像
- 人工智能的人工智能
- 生物医学工程 生物医学工程
背景情况:
- 磁共振成像 (MRI) 重建通常需要大量的数据集,这些数据很难获得.
- 深度学习方法为更快,更强大的MRI重建提供了潜力.
- 整合物理指导原则可以提高深度学习模型的准确性.
研究的目的:
- 评估一个弱监督的,多线圈,物理引导的深度学习方法,用于MRI图像重建.
- 为了提高重建质量和稳定性,利用未充分采样和完全采样的数据集.
- 提高MRI采集速度,减少数据需求.
主要方法:
- 一个物理导向的变化网络 (VarNet) 通过数据低样本 (SSDU) 在低样本数据上使用自主监督学习进行了预训练.
- 预先训练的权重被转移到一个更小的,完全采样的数据集上,并使用多尺度结构相似性 (MS-SSIM) 损失进行微调.
- 该方法与完全自我监督和完全监督的培训方法进行了比较.
主要成果:
- 在高数据模式下证明了改进的重建质量 (SSIM,PSNR,NRMSE).
- 在低数据制度中展示了增强的稳定性,对于稀缺数据场景至关重要.
- 实现了高加速度 (8x为膝盖,10x为大脑MRI成像) 提高了性能.
结论:
- 使用转移学习进行弱监督,物理引导的MRI图像重建是可行的和有效的.
- 与传统方法相比,拟议的方法提供了优越的重建质量和稳定性.
- 这种方法有望加速MRI扫描并提高诊断准确性,特别是在数据有限的情况下.
