重新思考自监督模型驱动 MRI 重建的优化过程
图像与视频处理
2022-03-21 v1 计算机视觉与模式识别
摘要
从欠采样测量中恢复高质量图像对于加速 MRI 重建至关重要。近来，各种有监督的基于深度学习的 MRI 重建方法已被开发。尽管取得了有前景的性能，这些方法需要全采样参考数据，其采集耗时且资源密集。自监督学习已成为缓解对全采样数据集依赖的有前景方案。然而，现有自监督方法因对非采样数据点施加的约束不足，以及模型驱动深度学习重建的迭代图像重建过程中发生的误差累积，而遭受重建误差。为应对这些挑战，我们提出 K2Calibrate，一种用于自监督模型驱动 MR 重建优化的 K 空间自适应策略。通过迭代校准所学测量值，K2Calibrate 可减少由统计相关噪声引起的网络重建退化。在开源数据集 FastMRI 上进行了大量实验，K2Calibrate 取得了优于五种最先进（SOTA）方法的结果。所提 K2Calibrate 为即插即用，可轻松与不同模型驱动深度学习重建方法集成。
引用
@article{arxiv.2203.09724,
title = {Rethinking the optimization process for self-supervised model-driven MRI reconstruction},
author = {Weijian Huang and Cheng Li and Wenxin Fan and Yongjin Zhou and Qiegen Liu and Hairong Zheng and Shanshan Wang},
journal= {arXiv preprint arXiv:2203.09724},
year = {2022}
}