利用公开自然视频学习动态MR图像重建的探究
图像与视频处理
2023-11-27 v1 计算机视觉与模式识别
摘要
目的:开发并评估一种深度学习(DL)流水线,以从公开可用自然视频(Inter4K)中学习动态MR图像重建。材料与方法:针对一系列DL架构(VarNet、3D UNet、FastDVDNet)及相应采样模式(笛卡尔、径向、螺旋),分别使用真实多通道心脏MR数据(N=692)或自Inter4K自然视频模拟的伪MR数据(N=692)进行学习。使用以心脏数据与自然视频训练的DL网络以及压缩感知(CS)重建实时欠采样动态MR图像。在仿真中(N=104数据集)依据MSE、PSNR和SSIM评估差异,并在心脏(短轴、四腔心,N=20)与语音(N=10)数据的前瞻性实验中依据主观图像质量排序、SNR与边缘锐度进行评估。采用Friedman卡方检验与事后Nemenyi分析评估统计显著性。结果:在所有仿真指标上,以心脏数据训练的DL网络优于以自然视频训练的DL网络,后者优于CS(p<0.05)。然而,在前瞻性实验中,使用两类训练数据的DL重建排序相近(且高于CS),且在多数条件下SNR与边缘锐度无统计差异。此外,以心脏数据与自然视频的DL方法间测得高SSIM(SSIM>0.85)。结论:所开发流水线能够从自然视频学习动态MR重建,保留DL重建优势(如高质量快速与超快速重建),同时克服部分局限(数据稀缺或共享)。自然视频数据集、代码与预训练网络已在github公开。关键词:实时;动态MRI;深度学习;图像重建;机器学习;
引用
@article{arxiv.2311.13963,
title = {Investigating the use of publicly available natural videos to learn Dynamic MR image reconstruction},
author = {Olivier Jaubert and Michele Pascale and Javier Montalt-Tordera and Julius Akesson and Ruta Virsinskaite and Daniel Knight and Simon Arridge and Jennifer Steeden and Vivek Muthurangu},
journal= {arXiv preprint arXiv:2311.13963},
year = {2023}
}