PARCEL：面向多线圈 MR 成像的基于物理的无监督对比表示学习
图像与视频处理
2022-11-15 v3 人工智能
计算机视觉与模式识别
摘要
随着深度学习在磁共振(MR)成像中的成功应用，基于神经网络的并行成像技术引起了广泛关注。然而，在缺乏用于训练的高质量、全采样数据集的情况下，这些方法的性能受限。且模型的可解释性不够强。为解决此问题，本文提出一种基于物理的无监督对比表示学习(Physics-bAsed unsupeRvised Contrastive rEpresentation Learning, PARCEL)方法以加速并行 MR 成像。具体而言，PARCEL 具有一个并行框架，从增强的欠采样多线圈 k 空间数据中对两个基于模型展开网络的分支进行对比学习。设计了一个由三个关键部分组成的精细协同训练损失，以引导两个网络捕捉 MR 图像的内在特征与表示。最终 MR 图像由训练好的对比网络重建。PARCEL 在两个体内数据集上进行了评估，并与五种最先进的方法进行比较。结果表明，PARCEL 能够学习用于准确 MR 重建的本质表示，而无需依赖全采样数据集。
引用
@article{arxiv.2202.01494,
title = {PARCEL: Physics-based Unsupervised Contrastive Representation Learning for Multi-coil MR Imaging},
author = {Shanshan Wang and Ruoyou Wu and Cheng Li and Juan Zou and Ziyao Zhang and Qiegen Liu and Yan Xi and Hairong Zheng},
journal= {arXiv preprint arXiv:2202.01494},
year = {2022}
}