基于元学习泛化抑制未知与多重 MRI 伪影的深度学习方法
图像与视频处理
2023-04-14 v1 计算机视觉与模式识别
摘要
磁共振（MR）图像因运动、空间分辨率和欠采样而受各类伪影影响。常规深度学习方法处理特定类型伪影的去除，导致为每类伪影分别训练模型，缺乏可跨伪影泛化的共享知识。此外，为每种类型与程度的伪影训练模型过程繁琐，耗费更多训练时间与模型存储。另一方面，通过在多重伪影上联合训练学到的共享知识，可能不足以在伪影类型与程度偏离时泛化。模型无关元学习（MAML）作为一种嵌套双层优化框架，有望在外层优化中学习跨伪影的共性知识，在内层进行伪影特定修复。我们提出课程-MAML（CMAML），一种将 MAML 与课程学习结合的学习过程，以赋予可变伪影复杂度的知识，在训练中自适应学习多重伪影修复。使用两个心脏数据集对比随机梯度下降与 MAML 的研究表明：CMAML 表现出（i）更好的泛化，对 83% 未见伪影类型与程度 PSNR 提升，且所有情况 SSIM 改善；（ii）在 5 例复合伪影（含多重伪影的扫描）中 4 例更好的伪影抑制。
引用
@article{arxiv.2304.06378,
title = {Generalizable Deep Learning Method for Suppressing Unseen and Multiple MRI Artifacts Using Meta-learning},
author = {Arun Palla and Sriprabha Ramanarayanan and Keerthi Ram and Mohanasankar Sivaprakasam},
journal= {arXiv preprint arXiv:2304.06378},
year = {2023}
}
备注
5 pages, 6 figures, Accepted in EMBC 2023