用于加速非笛卡尔MRI重建的双域自监督学习
图像与视频处理
2023-02-21 v1 计算机视觉与模式识别
机器学习
摘要
当前的深度MRI重建网络虽然能够实现加速采集和提高重建精度，但通常是监督式的，需要完全采样的数据，并且仅限于笛卡尔采样模式。这些因素限制了它们的实际应用，因为完全采样的MRI在临床上获取耗时过长。此外，非笛卡尔采样模式特别受欢迎，因为它们更易于加速并显示出改进的运动鲁棒性。为此，我们提出了一种用于加速非笛卡尔MRI重建的完全自监督方法，该方法在k空间域和图像域均利用自监督。在训练中，欠采样数据被分割成不相交的k空间域分区。对于k空间自监督，我们训练一个网络从两个不相交的分区以及从自身重建输入的欠采样数据。对于图像级自监督，我们强制从原始欠采样数据和两个分区获得的图像外观一致性。在我们模拟的多线圈非笛卡尔MRI数据集上的实验结果表明，DDSS可以生成高质量的重建，其精度接近完全监督重建，优于先前的基线方法。最后，DDSS被证明可扩展到极具挑战性的真实世界临床MRI重建，该数据采集自一台便携式低场（0.064 T）MRI扫描仪，没有可用于监督训练的数据，同时根据放射科医生研究确定，与传统重建相比，图像质量有所提高。
引用
@article{arxiv.2302.09244,
title = {Dual-Domain Self-Supervised Learning for Accelerated Non-Cartesian MRI Reconstruction},
author = {Bo Zhou and Jo Schlemper and Neel Dey and Seyed Sadegh Mohseni Salehi and Kevin Sheth and Chi Liu and James S. Duncan and Michal Sofka},
journal= {arXiv preprint arXiv:2302.09244},
year = {2023}
}
备注
14 pages, 10 figures, published at Medical Image Analysis (MedIA)