深度学习在加速MRI中的鲁棒性：多样化训练数据的优势

基于深度学习的图像重建方法是多种成像任务中的最先进技术。然而，如果训练数据与所应用的数据显著不同，神经网络的表现往往会变差。例如，在一台扫描仪上为加速磁共振成像(MRI)训练的模型在另一台扫描仪上表现更差。在本工作中，我们研究了训练数据对加速MRI模型性能和鲁棒性的影响。我们发现，在多种数据分布（例如来自不同MRI扫描仪和解剖结构的数据）的组合上训练的模型，其鲁棒性等于或优于在针对特定目标分布的最佳单一分布上训练的模型。因此，在如此多样化的数据上训练往往能提高鲁棒性。此外，在如此多样化的数据集上训练不会损害分布内性能，即在多样化数据上训练的模型产生的分布内性能至少与在更窄的单个分布上训练的模型一样好。我们的结果表明，在多种分布上训练成像模型往往比维护针对单个分布的独立模型更有效、更鲁棒。