基于神经风格迁移正则化的有限数据 MRI 场迁移重建
计算机视觉与模式识别
2025-02-20 v3 机器学习
医学物理
摘要
MRI 重建的近期进展通过基于深度学习的模型展现了显著成功。然而，大多数现有方法严重依赖大规模、特定任务的数据集，使得在数据有限场景下的重建成为一个关键却未被充分探索的挑战。虽然去噪正则化（RED）利用去噪器作为重建先验，我们提出了正则化 by 神经风格迁移（RNST），一种将神经风格迁移（NST）引擎与去噪器集成的新颖框架，以实现磁场迁移重建。RNST 无需配对训练数据即可从低场输入生成高场质量图像，利用风格先验来解决数据有限的问题。我们的实验结果表明，RNST 能够在不同解剖平面（轴状、冠状、矢状）和噪声水平下重建高质量图像，与低场参考相比实现了更优的清晰度、对比度和结构保真度。关键的是，RNST 在风格图像与内容图像缺乏精确对齐时仍保持鲁棒性，拓宽了其在缺乏精确参考匹配的临床环境中的适用性。通过结合 NST 与去噪的优势，RNST 为 MRI 场迁移重建提供了一种可扩展、数据高效的方案，展示了在资源有限环境中的显著潜力。
引用
@article{arxiv.2308.10968,
title = {Regularization by Neural Style Transfer for MRI Field-Transfer Reconstruction with Limited Data},
author = {Guoyao Shen and Yancheng Zhu and Mengyu Li and Ryan McNaughton and Hernan Jara and Sean B. Andersson and Chad W. Farris and Stephan Anderson and Xin Zhang},
journal= {arXiv preprint arXiv:2308.10968},
year = {2025}
}
备注
27 pages, 9 figures, 3 tables, 1 algorithm chart