非线性等变成像：无真值学习多参数组织映射用于压缩定量MRI
图像与视频处理
2022-11-24 v1 计算机视觉与模式识别
摘要
当前从快速压缩的磁共振指纹（MRF）重建定量组织图的最先进方法使用有监督深度学习，其缺陷在于需要受限的高保真真值组织图训练数据。本文提出非线性等变成像（NLEI），一种自监督学习方法，以消除深度MRF图像重建对真值的需求。NLEI将近期等变成像框架扩展至如MRF之类的非线性逆问题。训练仅使用快速压缩采样的MRF扫描数据。NLEI利用时空先验学习组织映射：空间先验来自MRF数据对一组几何图像变换的不变性，时间先验则来自由预训练神经网络近似的非线性Bloch响应模型。在两种采集设置下回顾性测试，我们观察到尽管训练时未使用真值，NLEI（自监督学习）的性能已接近有监督学习。
引用
@article{arxiv.2211.12786,
title = {Nonlinear Equivariant Imaging: Learning Multi-Parametric Tissue Mapping without Ground Truth for Compressive Quantitative MRI},
author = {Ketan Fatania and Kwai Y. Chau and Carolin M. Pirkl and Marion I. Menzel and Peter Hall and Mohammad Golbabaee},
journal= {arXiv preprint arXiv:2211.12786},
year = {2022}
}