清洁自主监督的MRI重建从杂的,子样本训练数据与强大的SSDU
Charles Millard1, Mark Chiew2,3
1Wellcome Centre for Integrative Neuroimaging, FMRIB, University of Oxford, Oxford OX3 9DU, UK.
Bioengineering (Basel, Switzerland)
|January 8, 2025
概括
强大的SSDU和Noiser2Full通过使用杂的亚样本数据实现深度学习来增强磁共振成像 (MRI) 重建. 这些自我监督的方法可以提高图像质量,而不需要完全采样数据集.
科学领域:
- 医疗成像医学成像
- 深度学习 (Deep Learning) 是一种深度学习.
- 图像重建 图像的重建
背景情况:
- 完全监督的MRI重建深度学习需要不切实际的全样本,高SNR数据集.
- 现有的自我监督方法在子样本培训数据中与噪音作斗争.
研究的目的:
- 开发强大的自我监督的深度学习方法,用于使用杂的亚样本数据进行MRI重建.
- 为了提高图像质量和减少MRI的重建错误.
主要方法:
- 提出了强大的SSDU,它同时估计缺失的k空间样本并拒绝数据.
- 强大的SSDU通过Noisier2Noise校正使用噪音到低噪音映射来训练网络.
- 引入了Noiser2Full,用于从噪音,完全采样数据的重建.
主要成果:
- 强大的SSDU可以从杂的,亚样本训练数据中恢复清洁的图像.
- 方法是建筑不可知,易于实施,并且在计算上与标准培训相似.
- 在快速MRI脑数据集上进行评估,与清洁数据基准相比,实现了竞争性表现.
结论:
- 强大的SSDU和Noiser2Full提供了有效的解决方案,以有限或杂的数据进行MRI重建.
- 这些方法在医学成像学中推进了自我监督学习,减少了对理想训练数据集的依赖.
更多相关视频
12:50Lesion Explorer: A Video-guided, Standardized Protocol for Accurate and Reliable MRI-derived Volumetrics in Alzheimer's Disease and Normal Elderly
Published on: April 14, 2014
40.2K
04:48Application of Deep Learning-Based Medical Image Segmentation via Orbital Computed Tomography
Published on: November 30, 2022
2.7K
