CSSL-ISRVN:一致性自主监督学习,集成ISTANet和灵敏度提炼增强的变异网络,用于加速MRI重建

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) 由于其非侵入性和软组织对比度至关重要.
• 长时间的MRI采集时间限制了临床使用,导致人造物质和患者不适.
• 当前的深度学习方法通常需要完全采样数据,这是很难获得的.

研究的目的:

• 开发一个自我监督的MRI重建框架,不依赖于完全采样的训练数据.
• 为了加快MRI采集时间,同时保持高图像质量.
• 在MRI重建中克服现有的深度学习方法的局限性.

主要方法:

• 拟议的CSSL-ISRVN,一个一致性自我监督的重建框架,使用改进的变量网络 (IVN) 和灵敏度改进模块 (SRM).
• IVN集成了一个特征精制和剥离模块 (FRDM) 与剩余块和高斯语境转换器用于特征提取.
• SRM在封闭循环中改进灵敏度调制,自适应地调整前模型和数据一致性,以最大限度地减少固定灵敏度估计中的错误.
• 开发ISRVN,ISTANet和SRVN的级联,用于文物抑制和物理一致的改进.
• 实施了自主监督的一致性计划,使用校准和一致性损失来训练没有完全采样数据的网络.

主要成果:

• 与现有的自我监督和扫描特定方法相比,CSSL-ISRVN在三个公共数据集上表现出优异的性能,特别是1D低样本.
• 该框架实现了与最先进的监督模型竞争的重建质量.
• 结果表明MRI重建中的强度和稳定性.

结论:

• CSSL-ISRVN为加速MRI重建提供了有效的解决方案,消除了对完全采样训练数据的需求.
• 该框架的灵敏度改进,混合建模和自我监督的新整合确保了强大的高保真重建.
• CSSL-ISRVN显示出在临床环境中实际应用的巨大潜力,提高MRI效率和患者体验.