SANTIS：用于 MR 图像重建的采样增强型非相干结构神经网络
计算机视觉与模式识别
2018-12-11 v1 图像与视频处理
医学物理
摘要
深度学习在欠采样磁共振成像（MRI）数据重建中大有可为，为提升快速 MRI 的性能提供了新机遇。在现有的基于深度学习的重建方法中，监督训练使用无伪影参考图像及其对应的欠采样配对进行。训练中的欠采样图像由固定的欠采样模式生成，随后将训练好的网络应用于重建推理时以相同模式采集的新图像。虽然这种训练策略能维持对预先选定欠采样模式的良好重建，但训练好的网络对任意欠采样方案差异的鲁棒性通常较差。我们提出了一种新颖的基于深度学习的重建框架 SANTIS，用于高效的 MR 图像重建，并对采样模式差异具有改进的鲁棒性。SANTIS 使用数据循环一致对抗网络，结合高效的端到端卷积神经网络映射、数据保真约束和对抗训练，更忠实地重建加速 MR 图像。进一步引入了采用采样增强且欠采样模式广泛变化的训练策略，以提升训练网络的鲁棒性。与常规重建和标准深度学习方法相比，无论推理时欠采样模式如何，SANTIS 均取得了一致更优的重建性能，具有更低的误差、更高的图像锐度以及与参考图像更高的相似度。SANTIS 背后的这一新颖思路尤其有助于提升基于深度学习的图像重建对训练与评估之间差异的鲁棒性，而这目前是一个重要但较少被研究的开放问题。
引用
@article{arxiv.1812.03278,
title = {SANTIS: Sampling-Augmented Neural neTwork with Incoherent Structure for MR image reconstruction},
author = {Fang Liu and Lihua Chen and Richard Kijowski and Li Feng},
journal= {arXiv preprint arXiv:1812.03278},
year = {2018}
}