基于 k 空间感知的深层学习在 MRI undersampling下提高乳腺病灶分割鲁棒性
计算机视觉与模式识别
2026-05-22 v1 医学物理
摘要
目的：评估乳腺病灶分割是否可以直接从获取的 MRI k 空间学习，以及是否在数据加速或噪声情况下能提高鲁棒性。材料与方法：本回顾性研究使用公开的乳腺动态对比增强 MRI（DCE-MRI）数据集，包含获取与合成 k 空间数据，以及 within-dataset 的合成对照。我们比较了四种 3D U-Net 变体：一种混合 k 空间到图像模型、一种原生 k 空间模型，以及幅度和复数图像空间基线。模型在递增的 undersampling 和添加的复高斯 k 空间噪声下进行评估。主要结果是交叉验证下的患者水平 Dice 相似系数，以混合模型为主要比较对象，对图像空间的幅度基线。结果：在完全采样下，混合模型和图像空间模型表现相似。随着加速程度增加，混合模型保留了大量的分割准确性，并在中等到高 undersampling 水平上显著优于幅度图像空间基线。当噪声直接添加到 k 空间时，同样的模式被观察到：混合模型退化得更慢，而图像空间基线在更重的噪声下会失败。这种优势在 within-dataset 合成对照中也得到了复制。特征分析表明，k 空间阶段和图像空间阶段发挥了互补作用，频率域滤波集中在图像域病灶局部分置之前。结论：k 空间感知的深度学习提高了乳腺病灶分割在 MRI undersampling 和 k 空间噪声下的鲁棒性，同时在完全采样时匹配图像空间方法。
引用
@article{arxiv.2605.22327,
title = {Robustness of breast lesion segmentation under MRI undersampling improves with k-space-aware deep learning},
author = {Lukas T. Rotkopf and Marco Schlimbach and Julius C. Holzschuh and Heinz-Peter Schlemmer and Jens Kleesiek and Moritz Rempe},
journal= {arXiv preprint arXiv:2605.22327},
year = {2026}
}