自主监督的MR图像重建从单次测量
概括
这项研究引入了一种新的自我监督深度学习方法,用于更快的磁共振成像 (MRI) 重建. 它在不需要外部训练数据的情况下重建MRI图像,提高效率.
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 (DL) 方法越来越多地用于加速磁共振成像 (MRI).
- 训练DL模型进行MRI重建通常需要大量的配对数据,这些数据很难获得.
- 现有的方法在数据采集和文物移除方面面临挑战.
研究的目的:
- 为MRI重建开发一种自我监督的深度学习方法,消除了对外部训练数据的需求.
- 提高基于DL的MRI重建的效率和实用性.
- 为了解决DL-MRI培训中的数据稀缺问题.
主要方法:
- 一个图像重建方法灵感来自Self2Self.
- 在输入图像上应用伯努利采样.
- 在训练期间实施掉落策略,以减轻低样本图像中的工件.
- 整合了管理MRI采集的物理原理.
主要成果:
- 提出的自主监督方法成功地重建MRI图像,而不需要外部训练数据.
- 实验结果表明该方法的有效性和良好性能.
- 这种方法表明,在样本不足的MRI扫描中,可以减少人工物.
结论:
- 自主监督学习为数据稀缺的DL-MRI重建提供了一个可行的解决方案.
- 拟议的方法为传统的DL方法提供了实用和高效的替代方案.
- 这种技术有可能推进加速MRI采集.
