基于生成图像先验联邦学习的 MRI 重建
图像与视频处理
2022-04-08 v2 计算机视觉与模式识别
机器学习
摘要
多机构合作有助于训练深度 MRI 重建模型，但跨站点共享影像数据会带来隐私风险。联邦学习(FL)近期被引入以应对隐私问题，其支持在不传输影像数据的情况下进行分布式训练。现有用于 MRI 重建的 FL 方法采用条件模型，借助对成像算子的显式认知从未采样映射到全采样采集。由于条件模型在不同加速率或采样密度下泛化性差，成像算子必须在训练与测试间固定，且通常跨站点匹配。为提升多机构协作中的泛化性与灵活性，我们在此提出一种基于生成图像先验联邦学习(FedGIMP)的 MRI 重建新方法。FedGIMP 采用两阶段方法：跨站点学习生成式 MRI 先验，以及受试者特定的成像算子注入。全局 MRI 先验通过无条件对抗模型基于潜变量合成高质量 MR 图像来学习。先验中的特异性通过产生站点特定潜变量的映射器子网络得以保留。推理时，该先验与受试者特定成像算子结合以实现重建，并通过最小化数据一致性损失进一步适配个体测试样本。在多机构数据集上的综合实验清晰表明，FedGIMP 相对于基于条件模型的站点特定与联邦方法以及传统重建方法均具有增强的泛化性能。
引用
@article{arxiv.2202.04175,
title = {Federated Learning of Generative Image Priors for MRI Reconstruction},
author = {Gokberk Elmas and Salman UH Dar and Yilmaz Korkmaz and Emir Ceyani and Burak Susam and Muzaffer Özbey and Salman Avestimehr and Tolga Çukur},
journal= {arXiv preprint arXiv:2202.04175},
year = {2022}
}