基于并行网络训练框架的 MRI 重建自监督学习

从欠采样 k-space 数据进行图像重建在加速 MR 数据采集中扮演着重要角色，近期已涌现出大量基于深度学习的方法。尽管取得了令人鼓舞的结果，但这些方法的优化通常依赖于全采样参考数据，这既耗时又难以收集。为解决这一问题，我们提出了一种新颖的自监督学习方法。具体而言，在模型优化期间，通过从欠采样数据中随机选取部分 k-space 数据构建两个子集，随后将其输入两个并行的重建网络以执行信息恢复。在所有已扫描数据点上定义两种重建损失，以增强网络恢复频率信息的能力。同时，为约束网络学习到的未扫描数据点，设计了差异损失以强制两个并行网络之间的一致性。通过这种方式，仅使用欠采样数据即可对重建模型进行适当训练。在模型评估期间，将欠采样数据作为输入，预期两个训练好的网络中的任意一个均能重建出高质量结果。所提出的方法具有灵活性，可应用于任何现有的基于深度学习的方法。在一个公开的脑部 MRI 数据集上评估了该方法的有效性。实验结果表明，与相应的监督学习方法相比，所提出的自监督方法在高加速因子（4 和 8）下能够取得极具竞争力的重建性能。代码公开于 \url{https://github.com/chenhu96/Self-Supervised-MRI-Reconstruction}。