基于元学习的能力评分生成模型用于从 0.5T MRI 重建类 1.5T 图像
图像与视频处理
2023-05-05 v1 计算机视觉与模式识别
机器学习
摘要
众所周知，磁共振成像（MRI）在较低场强下具有降低的信噪比（SNR），从而由高场强 MRI 生成低场强 MRI 图像时会导致信号退化。因此，由于该任务的不适定性质，从低场强 MRI 重建高场强类图像是一个复杂问题。此外，获取配对的低场强与高场强 MR 图像通常并不现实。我们从理论上揭示，这些挑战的组合使得直接学习从低场强 MR 图像到高场强 MR 图像映射的传统深度学习方法不再适用。为克服这些挑战，我们引入一种采用师生机制的新型元学习方法。首先，一个由最优传输驱动的教师在从高场强到低场强 MR 图像的退化过程中学习，并生成伪配对的高场强与低场强 MRI 图像。随后，一个基于评分的学生在迭代正则化框架内，通过学习伪配对图像的联合分布作为正则化项，解决从低场强 MRI 重建高场强类 MR 图像的逆问题。在真实低场强 MRI 数据上的实验结果表明，我们所提方法优于最先进的未配对学习方法。
引用
@article{arxiv.2305.02509,
title = {Meta-Learning Enabled Score-Based Generative Model for 1.5T-Like Image Reconstruction from 0.5T MRI},
author = {Zhuo-Xu Cui and Congcong Liu and Chentao Cao and Yuanyuan Liu and Jing Cheng and Qingyong Zhu and Yanjie Zhu and Haifeng Wang and Dong Liang},
journal= {arXiv preprint arXiv:2305.02509},
year = {2023}
}