用于有限扫描特定训练样本下改进图像重建的鲁棒 k 空间插值网络的迭代训练
图像与视频处理
2022-07-15 v2 计算机视觉与模式识别
机器学习
医学物理
摘要
目的：评估一种迭代学习方法，在仅有有限量训练数据（自动校准信号，ACS）可用于加速标准 2D 成像时，提升鲁棒人工神经网络 k 空间插值（RAKI）的性能。方法：第一步，针对训练数据量严重受限的情况优化 RAKI 模型。在迭代学习方法（称为迭代 RAKI）中，优化后的 RAKI 模型首先使用从线性并行成像重建获得的原始及增广 ACS 进行训练。随后，利用从前一次 RAKI 重建中提取的原始及增广 ACS 迭代细化 RAKI 卷积滤波器。评估在来自 fastMRI 神经数据库、具有不同对比度设置的 200 个回顾性欠采样体内数据集上进行。结果：对于有限训练数据（R=4 和 R=5 时分别为 18 和 22 条 ACS 线），迭代 RAKI 优于标准 RAKI，减少了残余伪影，并且与标准并行成像相比表现出强噪声抑制，定量重建质量指标证实了这一点。结合相位约束可进一步改善重建。此外，在训练数据与欠采样数据间对比度变化的预扫描校准情况下，迭代 RAKI 表现优于 GRAPPA 和 RAKI。结论：RAKI 的迭代学习方法受益于标准 RAKI 众所周知的噪声抑制特性，但需要更少的原始训练数据即可准确重建标准 2D 图像，从而提高了净加速比。
引用
@article{arxiv.2201.03560,
title = {Iterative training of robust k-space interpolation networks for improved image reconstruction with limited scan specific training samples},
author = {Peter Dawood and Felix Breuer and Paul R. Burd and István Homolya and Johannes Oberberger and Peter M. Jakob and Martin Blaimer},
journal= {arXiv preprint arXiv:2201.03560},
year = {2022}
}
备注
Submitted to Magnetic Resonance in Medicine