通过扩散净化进行强大的基于物理的深度MRI重建

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) 方法显著改善了磁共振成像 (MRI) 重建.
• 现有的DL模型容易受到噪音的影响,采集参数的变化,以及从未见过的数据转移到分布.
• 坚固性仍然是可靠的DL-basedMRI重建的关键挑战.

研究的目的:

• 用扩散模型 (DM) 开发基于DL的MRI重建的强化策略.
• 为了提高DL MRI重建的弹性,抵御最坏情况下的干扰和分布转移.
• 为了引入一种新的方法,RODIO (基于DL的强大的MRI与扩散净化).

主要方法:

• 利用预训练的扩散模型 (DMs) 作为MRI数据的净化器.
• 实施一个强化策略,需要对纯化的示例进行高效的微调.
• 将拟议的方法与基于扩散的独立重建器和对抗训练 (AT) 和随机平滑 (RS) 进行比较.

主要成果:

• 拟议的RODIO方法显著提高了基于DL的MRI重建的稳定性.
• RODIO的性能优于现有的领先的强化技术,包括AT和RS.
• 在多个DL重建模型中表现出适应性和与加速扩散样本的兼容性.
• 展示了对未见的病变的强度和在无监督生成重建中的有效性.

结论:

• 扩散模型净化提供了一种有效和高效的方法来加强基于DL的MRI重建.
• RODIO提供了一个有前途的解决方案,以提高DL MRI方法的可靠性和通用性.
• 该策略成功地解决了漏洞,而没有minimax优化问题的复杂性.