用于高度加速 MRI 中物理引导神经网络的多掩码自监督学习
图像与视频处理
2022-07-19 v2 计算机视觉与模式识别
机器学习
信号处理
医学物理
摘要
自监督学习因其能够在无需全采样数据的情况下训练深度学习 MRI 重建方法而展现出巨大前景。当前用于物理引导重建网络的自监督学习方法将采集到的欠采样数据拆分为两个不相交集合，其中一个用于展开网络中的数据一致性（DC），另一个用于定义训练损失。在本研究中，我们提出了一种改进的自监督学习策略，可更高效利用采集数据来训练物理引导重建网络，而无需全采样数据库。所提出的通过数据欠采样的多掩码自监督学习（SSDU）对采集测量值施加保持掩码操作，为每个训练样本将其拆分为多对不相交集合，同时使用其中一对用于 DC 单元，另一对用于定义损失，从而更高效利用欠采样数据。多掩码 SSDU 被应用于全采样 3D 膝关节和前瞻性欠采样 3D 脑 MRI 数据集，针对各种加速因子与模式，并与 CG-SENSE 和单掩码 SSDU DL-MRI 以及在有全采样数据时的监督 DL-MRI 进行比较。膝关节 MRI 结果表明，所提出的多掩码 SSDU 优于 SSDU，并与监督 DL-MRI 表现接近。一项临床读者研究进一步在 SNR 和混叠伪影方面将多掩码 SSDU 排在监督 DL-MRI 之上。脑 MRI 结果表明，多掩码 SSDU 相比 SSDU 获得更好的重建质量。读者研究表明，在 R=8 时多掩码 SSDU 相比 R=8 的单掩码 SSDU 以及 R=2 的 CG-SENSE 显著改善重建。
引用
@article{arxiv.2008.06029,
title = {Multi-Mask Self-Supervised Learning for Physics-Guided Neural Networks in Highly Accelerated MRI},
author = {Burhaneddin Yaman and Hongyi Gu and Seyed Amir Hossein Hosseini and Omer Burak Demirel and Steen Moeller and Jutta Ellermann and Kâmil Uğurbil and Mehmet Akçakaya},
journal= {arXiv preprint arXiv:2008.06029},
year = {2022}
}