基于深度学习的高保真MRI重建与实例判别特征匹配损失
图像与视频处理
2021-08-31 v1 计算机视觉与模式识别
信号处理
摘要
目的：提升基于深度学习(DL)重建中精细结构与纹理的重建保真度。方法：提出一种基于块的无监督特征损失(UFLoss)并将其纳入DL重建框架的训练中，以保留感知相似性与高阶统计。UFLoss通过将相似实例映射到相似低维特征向量提供实例级判别，且无需任何人注标注训练。通过在训练时对低维特征空间附加损失函数，从欠采样或 corrupted 数据出发的重建框架能生成更逼真、更接近原图、纹理更细、边缘更锐利且整体图像质量更佳的图像。所提UFLoss的性能在展开网络(unrolled networks)上针对加速2D与3D膝关节MRI重建以回顾性欠采样予以证实。采用包括NRMSE、SSIM及我们所提UFLoss在内的定量指标评估方法性能并与其他方法比较。结果：体内实验表明，相较于纯l2损失的传统与基于学习的方法，加入UFLoss可促使边缘更锐利、对比度更忠实。在2D与3D膝关节MR图像中均可看到更细致的纹理。定量结果显示，带UFLoss的重建可提供可比的NRMSE与更高的SSIM，同时实现低得多的UFLoss值。结论：我们提出UFLoss，一种基于块的无监督学习特征损失，可使DL重建训练在DL重建框架下获得更细致纹理、更精细特征与更锐利边缘及更高整体图像质量。
引用
@article{arxiv.2108.12460,
title = {High Fidelity Deep Learning-based MRI Reconstruction with Instance-wise Discriminative Feature Matching Loss},
author = {Ke Wang and Jonathan I Tamir and Alfredo De Goyeneche and Uri Wollner and Rafi Brada and Stella Yu and Michael Lustig},
journal= {arXiv preprint arXiv:2108.12460},
year = {2021}
}
备注
35 pages, 13 figures