基于 Robust SSDU 从含噪欠采样训练数据中实现干净的自监督 MRI 重建
图像与视频处理
2024-06-17 v7
摘要
大多数现有的基于深度学习的磁共振成像(MRI)重建方法使用全监督训练,其假设可用于训练的高信噪比(SNR)、全采样数据集可用。然而,在许多情况下,此类数据集的获取极为不切实际甚至技术上不可行。近来,已提出若干仅使用欠采样数据的 MR 重建自监督方法。但此类方法中的大多数(如通过数据欠采样自监督学习(SSDU))易受测量数据中噪声引起的重建误差影响。为此,我们提出 Robust SSDU,它通过同时估计缺失的 k 空间样本并对可用样本去噪,可证明地从含噪欠采样训练数据中恢复干净图像。Robust SSDU 训练重建网络,使其从数据的进一步含噪且欠采样版本映射到原始的单次含噪且欠采样数据,并在推理时应用加性 Noisier2Noise 修正项。我们还提出一种相关方法 Noiser2Full,可在训练时有含噪全采样数据可用时恢复干净图像。两种提出的方法适用于任何网络架构,易于实现,且与标准训练计算代价相近。我们在多线圈 fastMRI 脑数据集上以新颖的专用于去噪的架构评估了我们的方法,发现其性能与在干净全采样数据上训练的基准相当。
引用
@article{arxiv.2210.01696,
title = {Clean self-supervised MRI reconstruction from noisy, sub-sampled training data with Robust SSDU},
author = {Charles Millard and Mark Chiew},
journal= {arXiv preprint arXiv:2210.01696},
year = {2024}
}
备注
Submitted to IEEE Transactions on Computational Imaging