PixCUE：基于深度像素分类的 MRI 联合不确定性估计与图像重建
图像与视频处理
2023-03-09 v2 人工智能
计算机视觉与模式识别
机器学习
摘要
深度学习（DL）模型能够成功利用 MR 数据中的潜在表示，已成为加速 MRI 重建的最先进方法。然而，在 k 空间中对测量值进行欠采样，以及 DL 的过参数化或欠参数化和不透明特性，使这些模型面临不确定性。因此，不确定性估计已成为 DL MRI 重建中的一个主要问题。为了估计不确定性，蒙特卡洛（MC）推断技术已成为一种常见做法，其中利用多次重建来计算重建中的方差作为不确定性的度量。然而，这些方法需要较高的计算成本，因为它们需要通过 DL 模型进行多次推断。为此，我们引入一种使用像素分类框架在 MRI 重建期间估计不确定性的方法。所提出的方法 PixCUE（代表 Pixel Classification Uncertainty Estimation，像素分类不确定性估计）在通过 DL 模型的单次前向传播中生成重建图像以及不确定性图。我们证明该方法生成的不确定性图与相对于各种 MR 成像序列和在许多对抗条件下的重建误差高度相关。我们还表明，所估计的不确定性与传统 MC 方法的不确定性相关。我们进一步提供了使用 PixCUE 的不确定性估计与已建立的重建指标（如 NMSE、PSNR 和 SSIM）之间的经验关系。我们得出结论，PixCUE 能够以最小的额外计算成本可靠地估计 MRI 重建中的不确定性。
引用
@article{arxiv.2303.00111,
title = {PixCUE: Joint Uncertainty Estimation and Image Reconstruction in MRI using Deep Pixel Classification},
author = {Mevan Ekanayake and Kamlesh Pawar and Gary Egan and Zhaolin Chen},
journal= {arXiv preprint arXiv:2303.00111},
year = {2023}
}
备注
19 pages, 7 figures, 1 table