面向加速MRI的任务特定策略学习

压缩感知磁共振成像（CS-MRI）旨在从欠采样测量中恢复用于诊断任务的视觉信息。传统CS-MRI方法常将测量欠采样、图像重建与任务预测分开处理，导致端到端性能次优。在本工作中，我们提出TACKLE作为一个统一的协同设计框架，用于联合优化欠采样、重建与预测策略，以提升下游任务性能。简单追加任务预测模块并以任务特定损失训练的朴素方法会导致次优的下游性能。相反，我们开发了一种训练流程：先以通用预训练任务（本工作中为图像重建）训练骨干网络，再通过预测头微调以适应不同下游任务。多个公开MRI数据集上的实验结果表明，TACKLE相比传统CS-MRI方法在各类任务上均取得更优性能。我们还通过在采用不同于训练数据的采集设置所实验收集的新数据集上展示其泛化能力，证明TACKLE对分布偏移具有鲁棒性。无需额外微调，TACKLE相比现有基线在数值与视觉上均有提升。我们进一步在Siemens 3T MRI Skyra扫描仪上实现了学习的4$\times$加速序列。相比耗时335秒的全采样扫描，我们优化的序列仅耗时84秒，如愿实现四倍时间缩减，同时保持高性能。