HyperCoil-Recon：基于超网络的自适应线圈配置任务切换网络用于 MRI 重建
图像与视频处理
2023-08-10 v1 计算机视觉与模式识别
摘要
并行成像是一种快速 MRI 技术，涉及基于线圈配置（即相对于所研究解剖结构的线圈数量、位置与灵敏度）进行动态调整。传统的基于深度学习的图像重建模型须针对每种配置进行训练或微调，鉴于临床医生在部署时缺乏计算资源与机器学习专业知识来训练模型，这构成了临床转化的障碍。在多样数据集上的联合训练学习到单一权重集，可能对偏离的配置欠拟合。我们提出 HyperCoil-Recon，一种基于超网络的线圈配置任务切换网络，用于多线圈 MRI 重建，其从多任务视角对线圈数量的不同配置进行编码，将每种配置视为一项任务。超网络推断并将任务特定权重嵌入重建网络，1）有效利用各线圈不同视野间共有与变化图像特征的上下文知识，2）在测试时泛化至未见过的配置。实验表明，我们的方法 1）当在较少（即 7 至 11）随机变化线圈上训练时，可即时适配多达 32 个线圈的各种未见配置，且在单一模型中于 18 种配置上训练时可泛化至 120 种偏离的未见配置；2）匹配线圈配置特定模型的性能；3）在膝关节与脑部数据的 PSNR / SSIM 上分别以约 1 dB / 0.03 与 0.3 dB / 0.02 的增益优于配置不变模型。我们的代码见 https://github.com/sriprabhar/HyperCoil-Recon
引用
@article{arxiv.2308.04821,
title = {HyperCoil-Recon: A Hypernetwork-based Adaptive Coil Configuration Task Switching Network for MRI Reconstruction},
author = {Sriprabha Ramanarayanan and Mohammad Al Fahim and Rahul G. S. and Amrit Kumar Jethi and Keerthi Ram and Mohanasankar Sivaprakasam},
journal= {arXiv preprint arXiv:2308.04821},
year = {2023}
}
备注
Accepted at the ICCV 2023 Workshop on Computer Vision for Automated Medical Diagnosis (CVAMD), 8 pages, 2 columns