K-band：基于K空间子集随机梯度下降的自监督MRI重建
图像与视频处理
2024-05-24 v3 计算机视觉与模式识别
机器学习
信号处理
医学物理
摘要
尽管深度学习（DL）方法在求解逆问题时功能强大，但其对高质量训练数据的依赖是一大障碍。这在高维（动态/体积）磁共振成像（MRI）中尤为显著，因为获取高分辨率全采样k空间数据是不切实际的。我们引入了一个新颖的数学框架，称为k-band，其能够仅使用部分、有限分辨率的k空间数据来训练DL模型。具体而言，我们引入了在k空间子集上使用随机梯度下降（SGD）进行训练的方法。在每次训练迭代中，我们仅使用一小部分k空间来计算梯度，而非使用全采样k空间。该概念与不同的采样策略兼容；此处我们展示了针对k空间“带”的方法，这些带在一个维度上具有有限分辨率，因此可快速获取。我们分析证明，当满足两个简单条件时，我们的方法随机近似于全监督设置下计算的梯度：（i）对每次新扫描随机均匀选择有限分辨率轴，从而在整个训练集中完全覆盖k空间；（ii）损失函数由此处解析导出的掩码加权，其有助于高分辨率细节的准确重建。使用原始MRI数据的数值实验表明，k-band优于另外两种在有限分辨率数据上训练的方法，并与在高分辨率数据上训练的最先进（SoTA）方法性能相当。因此，k-band获得了SoTA性能，且优势在于仅使用有限分辨率数据训练。本工作因而引入了一个实用、易实现的自监督训练框架，其包含快速采集与自监督重建，并提供理论保证。
引用
@article{arxiv.2308.02958,
title = {K-band: Self-supervised MRI Reconstruction via Stochastic Gradient Descent over K-space Subsets},
author = {Frederic Wang and Han Qi and Alfredo De Goyeneche and Reinhard Heckel and Michael Lustig and Efrat Shimron},
journal= {arXiv preprint arXiv:2308.02958},
year = {2024}
}