基于迭代教师强制与重加权深度学习的多任务 MR 成像
计算机视觉与模式识别
2020-11-30 v1 人工智能
摘要
由磁共振（MR）重建引起的噪声、伪影和信息丢失可能会损害下游应用的最终性能。在本文中，我们开发了一种重加权的多任务深度学习方法，从现有大数据集中学习先验知识，然后利用它们来辅助从欠采样 k 空间数据同时进行 MR 重建和分割。该多任务深度学习框架配备了两个网络子模块，它们通过我们设计的在动态重加权损失约束（DRLC）下的迭代教师强制方案（ITFS）进行集成和训练。ITFS 旨在通过向训练过程中注入全采样数据来避免误差累积。DRLC 被提出用于动态平衡来自重建和分割子模块的贡献，从而促进多任务精度。所提出的方法已在两个开放数据集和一个体内内部数据集上进行了评估，并与六种最先进的方法进行了比较。结果表明，所提出的方法具有同时进行准确 MR 重建和分割的良好能力。
引用
@article{arxiv.2011.13614,
title = {Multi-task MR Imaging with Iterative Teacher Forcing and Re-weighted Deep Learning},
author = {Kehan Qi and Yu Gong and Xinfeng Liu and Xin Liu and Hairong Zheng and Shanshan Wang},
journal= {arXiv preprint arXiv:2011.13614},
year = {2020}
}