Noise2Recon：基于半监督与自监督学习实现联合 MRI 重建与去噪
图像与视频处理
2022-10-10 v2 计算机视觉与模式识别
摘要
深度学习（DL）在更快、高质量的加速 MRI 重建方面已展现出前景。然而，有监督 DL 方法依赖于大量全采样（有标签）数据，并且对分布外（OOD）偏移敏感，尤其是低信噪比（SNR）采集。为缓解这一挑战，我们提出 Noise2Recon，一种模型无关的一致性训练方法，用于联合 MRI 重建与去噪，可在半监督和自监督设置下使用全采样（有标签）和欠采样（无标签）扫描。在有限或无可标签训练数据的情况下，Noise2Recon 优于压缩感知和深度学习基线，包括有监督网络、基于增强的训练、微调去噪器以及自监督方法，并且匹配使用多 14 倍全采样扫描训练的有监督模型的性能。在低 SNR 扫描以及泛化到其他 OOD 因素（如加速因子变化和不同数据集）时，Noise2Recon 也优于所有基线，包括最先进的微调和增强技术。与有监督方法相比，增强程度和损失加权超参数对 Noise2Recon 的影响可忽略不计，这可能表明训练稳定性有所提高。我们的代码可在 https://github.com/ad12/meddlr 获取。
引用
@article{arxiv.2110.00075,
title = {Noise2Recon: Enabling Joint MRI Reconstruction and Denoising with Semi-Supervised and Self-Supervised Learning},
author = {Arjun D Desai and Batu M Ozturkler and Christopher M Sandino and Robert Boutin and Marc Willis and Shreyas Vasanawala and Brian A Hargreaves and Christopher M Ré and John M Pauly and Akshay S Chaudhari},
journal= {arXiv preprint arXiv:2110.00075},
year = {2022}
}