基于先验知识微调深度学习模型参数以改进动态 MRI 超分辨率
图像与视频处理
2021-10-26 v4 计算机视觉与模式识别
摘要
动态成像是评估生理变化的介入有益工具。然而在动态 MRI 中，在获得高时间分辨率的同时，空间分辨率会受损。为克服此时空权衡，本研究提出一种基于先验知识的微调超分辨率（SR）MRI 重建，以最大化空间信息同时减少动态 MRI 所需扫描时间。一个基于 U-Net 且带感知损失的网络在基准数据集上训练，并使用一例受试者特异性静态高分辨率 MRI 作为先验知识进行微调，以在推理阶段获得高分辨率动态图像。为测试网络泛化能力，以不同参数获取了三名受试者的 3D 动态数据。该方法针对动态 MRI 的不同平面内欠采样水平进行了测试。微调后重建的动态 SR 结果与高分辨率真值相似度更高，且在定量上取得统计显著改善。本研究中所用最低分辨率（k 空间的 6.25~%）在微调前后的平均 SSIM 分别为 0.939 0.008 与 0.957 0.006。这在理论上可实现 16 倍的加速因子，潜在采集时间可少于半秒。所提方法表明，带先验信息的超分辨率 MRI 重建可缓解动态 MRI 中的时空权衡，即便对于高加速因子亦如此。
引用
@article{arxiv.2102.02711,
title = {Fine-tuning deep learning model parameters for improved super-resolution of dynamic MRI with prior-knowledge},
author = {Chompunuch Sarasaen and Soumick Chatterjee and Mario Breitkopf and Georg Rose and Andreas Nürnberger and Oliver Speck},
journal= {arXiv preprint arXiv:2102.02711},
year = {2021}
}