深度学习 MRI 重建模型的对抗鲁棒训练
图像与视频处理
2021-04-28 v3 计算机视觉与模式识别
摘要
深度学习（DL）在加速磁共振图像采集与重建方面已展现潜力。然而，缺乏针对性的方法来保证以小特征的高保真度完成重建。本工作中，我们采用对抗攻击生成难以被已训练 DL 重建网络重建的微小合成扰动。随后，我们利用鲁棒训练提升网络对这些小特征的敏感性并促进其重建。接着，我们考察该方法对真实世界特征的泛化能力。为此，一位肌骨放射科医生标注了来自膝关节 Fast-MRI 数据集的软骨与半月板损伤，并设计了一个分类网络以评估这些特征的重建。实验结果表明，通过对重建网络引入鲁棒训练，图像重建中假阴性特征率（4.8%）得以降低。这些结果令人鼓舞，并凸显出图像重建界关注此问题的必要性，以此作为 DL 重建引入临床实践的里程碑。为支持进一步研究，我们在 https://github.com/fcaliva/fastMRI_BB_abnormalities_annotation 公开了标注与代码。
引用
@article{arxiv.2011.00070,
title = {Adversarial Robust Training of Deep Learning MRI Reconstruction Models},
author = {Francesco Calivá and Kaiyang Cheng and Rutwik Shah and Valentina Pedoia},
journal= {arXiv preprint arXiv:2011.00070},
year = {2021}
}
备注
32 pages, 9 figures, 6 tables, accepted at MELBA (MIDL 2020 special issue)