NPB-REC：基于欠采样数据的深度学习 MRI 重建中不确定性的非参数评估
图像与视频处理
2022-08-09 v1 计算机视觉与模式识别
摘要
基于深度学习（DL）的图像重建模型中不确定性量化，对于基于重建图像进行可靠临床决策至关重要。我们引入“NPB-REC”，一种用于欠采样“k空间”数据 MRI 重建不确定性评估的非参数全贝叶斯框架。我们在训练阶段使用随机梯度朗之万动力学（SGLD）来刻画网络权重的后验分布。我们在来自 fastmri 挑战赛的多线圈脑 MRI 数据集上展示了我们方法相对于基线 E2E-VarNet（含与不含推理时 dropout）的附加价值。我们的实验表明，在高加速率（）下，NPB-REC 在重建精度上优于基线（PSNR 和 SSIM 为 、 对比 、，）。这在临床标注区域中也得到度量。更重要的是，与蒙特卡洛推理时 Dropout 方法相比，它提供了与重建误差相关性更高的不确定性估计（皮尔逊相关系数为 对比 ）。所提方法有望促进基于 DL 的欠采样数据 MRI 重建方法的安全应用。代码与训练模型可在 \url{https://github.com/samahkh/NPB-REC} 获取。
引用
@article{arxiv.2208.03966,
title = {NPB-REC: Non-parametric Assessment of Uncertainty in Deep-learning-based MRI Reconstruction from Undersampled Data},
author = {Samah Khawaled and Moti Freiman},
journal= {arXiv preprint arXiv:2208.03966},
year = {2022}
}
备注
To appear in the proceedings of the International Workshop on Machine Learning for Medical Image Reconstruction (MLMIR 2022), https://sites.google.com/view/mlmir2022