PixCUE:用深度像素分类在MRI中的关节不确定性估计和图像重建.
Mevan Ekanayake1,2, Kamlesh Pawar1, Zhifeng Chen1,3
1Monash Biomedical Imaging, Monash University, Clayton, VIC, 3800, Australia.
Journal of imaging informatics in medicine
|December 5, 2024
概括
这项研究介绍了PixCUE,这是一种用于估计基于深度学习的加速MRI重建中的不确定性的新方法. 皮克斯CUE在一次传递中有效地生成不确定性图,与重建错误和蒙特卡洛方法相对应.
科学领域:
- 医疗成像医学成像
- 人工智能的人工智能
- 计算科学 计算科学
背景情况:
- 深度学习 (DL) 模型通过利用潜在数据表示表现,在加速MRI重建方面表现出色.
- 对于MRI的DL的关键挑战包括来自k空间低样本的固有不确定性和DL模型的不透明性.
- 准确的不确定性估计对于基于DL的可靠MRI重建至关重要.
研究的目的:
- 开发一种高效的方法来估计基于DL的MRI重建中的不确定性.
- 引入PixCUE (像素分类不确定性估计),用于同时进行图像重建和不确定性映射.
- 为了验证PixCUE的性能与重建错误和传统的不确定性估计技术.
主要方法:
- 提出PixCUE,这是一个新的像素分类框架,用于在DL MRI重建中估计不确定性.
- 皮克斯库 (PixCUE) 在单次向前传递中执行图像重建和不确定性地图生成.
- 验证了PixCUE的不确定性图与各种MR序列和对抗条件的重建错误.
主要成果:
- 由PixCUE生成的不确定性图与重建错误 (NMSE,PSNR,SSIM) 有很强的相关性.
- 建立了PixCUE不确定性估计和标准重建指标之间的经验关系.
- 在PixCUE不确定性估计和传统蒙特卡洛 (MC) 方法之间证明了显著的相关性.
- PixCUE可靠地以最小的额外计算成本估计不确定性.
结论:
- 在基于DL的加速MRI重建中,PixCUE提供了一种高效可靠的方法来估计不确定性.
- 该方法在单次前进传递中提供了有价值的不确定性图,减少了计算负担.
- PixCUE与既有指标和MC方法的强烈相关性验证了其在临床应用中的有效性.


