自监督深度主动加速 MRI
计算机视觉与模式识别
2019-01-16 v1
摘要
我们提出在自监督设定下，同时学习采样与重建磁共振图像（MRI），以在有限采样预算下最大化重建质量。现有深度方法仅关注给定数据的重建，因而是被动的；与之不同，我们超越当前最先进水平，在单一深度学习框架内同时考虑数据采集与重建过程。由于我们的网络学习获取数据，该网络本质上是主动的。为此，我们同时训练两个神经网络，一个专用于重建，另一个用于渐进式采样，每个网络带有自动生成的、将二者关联的监督信号。两个监督信号通过蒙特卡洛树搜索（MCTS）生成。MCTS 返回比当前采样网络所能给出的更好的采样模式，从而带来更好的最终重建。采样网络被训练以模仿使用先前采样网络的 MCTS 结果，从而得以增强。重建网络被训练以在给定 MCTS 采样模式下给出最高重建质量。通过该框架，我们能够在无需提供任何直接采样监督的情况下训练两个网络。
引用
@article{arxiv.1901.04547,
title = {Self-Supervised Deep Active Accelerated MRI},
author = {Kyong Hwan Jin and Michael Unser and Kwang Moo Yi},
journal= {arXiv preprint arXiv:1901.04547},
year = {2019}
}