CL-MRI：用于提升欠采样 MRI 重建精度的自监督对比学习
图像与视频处理
2024-05-31 v3 人工智能
计算机视觉与模式识别
摘要
在磁共振成像（MRI）中，测量域常对图像采集进行欠采样以加速扫描过程，代价是图像质量。然而，图像质量是影响临床诊断准确性的关键因素；因此，从欠采样测量中高质量重建图像一直是研究重点。近来，深度学习（DL）方法已成为 MRI 重建的 SOTA，通常借助深度神经网络通过数据驱动过程将欠采样 MRI 图像转换为高质量 MRI 图像。尽管如此，在消除混叠伪影与降低图像噪声方面，欠采样 DL MRI 重建有明显且显著的改进空间，以满足临床诊断的高要求。本文中，我们引入一种使用对比学习的自监督预训练流程，以提升欠采样 DL MRI 重建的准确性。我们利用对比学习将 MRI 图像表示变换至潜空间，最大化不同欠采样表示间的互信息并优化下游 DL 重建模型输入处的信息内容。我们的实验在一系列加速因子与数据集上定量与定性地展示了重建准确性的提升。此外，我们的扩展实验验证了所提框架在对抗条件（如测量噪声、不同 k 空间采样模式及病理异常）下的鲁棒性，并证明了其在具有完全不同解剖结构的 MRI 数据集上的迁移学习能力。另外，我们进行了实验以可视化并分析所提 MRI 对比学习潜空间的性质。
引用
@article{arxiv.2306.00530,
title = {CL-MRI: Self-Supervised Contrastive Learning to Improve the Accuracy of Undersampled MRI Reconstruction},
author = {Mevan Ekanayake and Zhifeng Chen and Mehrtash Harandi and Gary Egan and Zhaolin Chen},
journal= {arXiv preprint arXiv:2306.00530},
year = {2024}
}