用于 MRI 重建的监督与自监督联合学习

磁共振成像（MRI）是一种重要的诊断模态；然而，其固有的缓慢采集过程在运动下获取全采样 $k$-空间数据方面带来挑战。在缺乏作为真值的全采样采集时，以监督方式训练深度学习算法来预测底层真值图像变得困难。为应对此限制，自监督方法已成为一种可行替代，利用可用的欠采样 $k$-空间数据训练深度神经网络进行 MRI 重建。然而，这些方法通常相较监督方法有所不及。我们提出联合监督与自监督学习（JSSL），一种用于基于深度学习的 MRI 重建算法的新颖训练方法，旨在包含全采样 $k$-空间测量的目标数据集不可用时提升重建质量。JSSL 通过在自监督学习设定下使用来自目标数据集的欠采样数据、并以监督学习方式利用具有全采样 $k$-空间数据的数据集（称为代理数据集）同时训练模型来运作。我们以欠采样前列腺或心脏 MRI 数据作为目标数据集，分别以全采样脑与膝、或脑、膝与前列腺 $k$-空间采集作为代理数据集，展示了 JSSL 的效能。我们的结果展示了相对传统自监督方法的实质性提升，并使用常见图像质量指标进行了验证。此外，我们提供了 JSSL 的理论动机，并建立了训练 MRI 重建模型的“经验法则”指南。JSSL 在无法获取全采样 $k$-空间数据的场景中有效提升 MRI 重建质量，通过引入代理数据集利用了监督学习的优势。