低数据条件下从零学习深度 MRI 重建模型
图像与视频处理
2023-01-09 v1
摘要
磁共振成像（MRI）是一种必不可少的诊断工具，但存在扫描时间过长的缺点。重建方法可通过从加速采集数据中恢复临床可用图像来缓解这一限制。特别是，基于学习的方法通过采用深度神经网络作为数据驱动的先验，有望实现性能飞跃。一种有力的方法是使用扫描特定（SS）先验，其利用底层物理信号模型的信息进行重建。SS 先验在每次单独测试扫描上学习，无需训练数据集，尽管它们在使用非线性网络进行推断时存在计算负担。另一种方法使用扫描通用（SG）先验，其转而利用 MRI 图像的潜在特征信息进行重建。SG 先验在测试时冻结以保持效率，尽管它们需要从大型训练数据集中学习。在此，我们引入了一种新颖的并行流融合模型（PSFNet），该模型协同融合 SS 和 SG 先验，以在低数据条件下实现高性能 MRI 重建，同时保持与 SG 方法具有竞争力的推断时间。PSFNet 基于非线性网络实现其 SG 先验，但基于线性网络构建其 SS 先验以保持效率。MRI 重建中结合多个先验的普遍框架是算法展开，其使用串行交替投影，在低数据条件下会导致误差传播。为缓解误差传播，PSFNet 通过一种带有可学习融合参数的新颖并行流架构来结合其 SS 和 SG 先验。我们在多线圈脑 MRI 上针对不同数量的训练数据进行了演示。PSFNet 在低数据条件下优于 SG 方法，并以极少数十个训练样本超越了 SS 方法。
引用
@article{arxiv.2301.02613,
title = {Learning Deep MRI Reconstruction Models from Scratch in Low-Data Regimes},
author = {Salman UH Dar and Şaban Öztürk and Muzaffer Özbey and Tolga Çukur},
journal= {arXiv preprint arXiv:2301.02613},
year = {2023}
}