基于变密度 Noisier2Noise 子采样自监督 MR 图像重建的理论框架
图像与视频处理
2023-07-19 v5 人工智能
摘要
近年来，人们关注利用神经网络的统计建模能力来重建子采样的磁共振成像（MRI）数据。大多数提出的方法假设存在具有代表性的全采样数据集并使用全监督训练。然而，对于许多应用而言，全采样训练数据并不可用，且获取可能极为不切实际。因此，开发并理解仅使用子采样数据进行训练的自监督方法十分必要。本工作将最初为自监督去噪任务构建的 Noisier2Noise 框架扩展到变密度子采样 MRI 数据。我们利用 Noisier2Noise 框架从解析上解释了通过数据欠采样自监督学习（SSDU）的性能，SSDU 是近期提出的一种在实践中表现良好但此前缺乏理论依据的方法。此外，我们提出了作为理论发展的结果而产生的对 SSDU 的两种改进。首先，我们提出对采样集进行划分，使得子集具有与原始采样掩码相同类型的分布。其次，我们提出了一种对采样和划分密度进行补偿的损失加权。在 fastMRI 数据集上，我们表明这些改变显著提升了 SSDU 的图像复原质量以及对划分参数的鲁棒性。
引用
@article{arxiv.2205.10278,
title = {A theoretical framework for self-supervised MR image reconstruction using sub-sampling via variable density Noisier2Noise},
author = {Charles Millard and Mark Chiew},
journal= {arXiv preprint arXiv:2205.10278},
year = {2023}
}
备注
Accepted to IEEE Computational Imaging