求同存异：用于欠采样 MRI 重建的多解剖结构协作框架
图像与视频处理
2022-06-17 v2 计算机视觉与模式识别
摘要
近年来，深度神经网络极大推进了欠采样磁共振图像（MRI）重建，其中多数研究遵循“一解剖结构一网络”的模式，即每个专家网络针对特定解剖结构进行训练和评估。除了训练多个独立模型效率低下之外，这种惯例忽略了跨不同解剖结构可相互受益的共享去伪影知识。为探索共享知识，一种朴素方法是将不同解剖结构的所有数据合并训练一个通用网络。遗憾的是，尽管存在共享去伪影知识，我们发现不同解剖结构间的排他性知识会损害特定重建目标，导致整体性能下降。鉴于此，本研究提出一种新颖的深度 MRI 重建框架，兼具解剖结构共享与解剖结构特定的参数化学习器，旨在跨不同解剖结构“求同存异”。具体而言，主要的解剖结构共享学习器暴露于不同解剖结构以建模丰富的共享知识，而高效的解剖结构特定学习器则以其目标解剖结构训练以获取排他性知识。我们提出四种不同的解剖结构特定学习器实现，并在两个 MRI 重建网络之上基于我们的框架进行了探索。在脑、膝和心脏 MRI 数据集上的综合实验表明，其中三种学习器能够通过多解剖结构协作学习提升重建性能。
引用
@article{arxiv.2206.07364,
title = {Seeking Common Ground While Reserving Differences: Multiple Anatomy Collaborative Framework for Undersampled MRI Reconstruction},
author = {Jiangpeng Yan and Chenghui Yu and Hanbo Chen and Zhe Xu and Junzhou Huang and Xiu Li and Jianhua Yao},
journal= {arXiv preprint arXiv:2206.07364},
year = {2022}
}
备注
submitted to an IEEE journal