无全采样参考数据的物理引导重建神经网络的自监督学习
图像与视频处理
2020-07-06 v2 计算机视觉与模式识别
机器学习
信号处理
医学物理
摘要
目的：开发一种无需全采样数据集数据库来训练物理引导 MRI 重建神经网络的策略。理论与方法：用于物理引导深度学习 (DL) 重建的通过数据欠采样自监督学习 (SSDU) 将可用测量划分为两个不相交集合，其中一个用于展开网络中的数据一致性单元，另一个用于定义训练损失。将所提出的无全采样数据训练与基于真值数据的全监督训练，以及使用公开 fastMRI 膝关节数据库的传统压缩感知与并行成像方法进行比较。所提出的 SSDU 与监督训练使用相同的物理引导神经网络。SSDU 训练还应用于前瞻性 2 倍加速高分辨率脑数据集于不同加速率，并与并行成像比较。结果：在加速率 4 下的五种不同的膝关节序列上的结果表明，所提出的自监督方法与监督学习表现接近，同时显著优于传统压缩感知与并行成像，这由定量指标和临床阅片研究表征。在前瞻性欠采样脑数据集（因缺乏真值参考而无法采用监督学习）上的结果显示，所提出的自监督方法在高速率（4、6 和 8）下成功完成重建。图像阅片表明，在采集加速下相比并行成像，所提方法视觉重建质量改善。结论：所提出的 SSDU 方法允许在无全采样数据情况下训练物理引导 DL-MRI 重建，同时取得与基于全采样数据训练的监督 DL-MRI 相当的结果。
引用
@article{arxiv.1912.07669,
title = {Self-Supervised Learning of Physics-Guided Reconstruction Neural Networks without Fully-Sampled Reference Data},
author = {Burhaneddin Yaman and Seyed Amir Hossein Hosseini and Steen Moeller and Jutta Ellermann and Kâmil Uğurbil and Mehmet Akçakaya},
journal= {arXiv preprint arXiv:1912.07669},
year = {2020}
}
备注
This work is an extension of our previous work arXiv:1910.09116