无需全采样数据的自监督基于物理的深度学习 MRI 重建

深度学习（DL）已成为改进加速 MRI 重建的工具。DL 方法中的一个常见策略是基于物理的方法，其中将数据一致性与正则化交替进行的正则化迭代算法展开有限次迭代。该展开网络随后以监督方式端到端训练，使用全采样数据作为网络输出的真值。然而，在许多情况下，由于诸如器官运动等生理约束或信号衰减等物理约束，难以获得全采样数据集。在这项工作中，我们解决此问题并提出了一种自监督学习策略，使基于物理的 DL 重建无需全采样数据。我们的方法是将每次扫描所获取的子采样点划分为训练子集和验证子集。在训练期间，对训练子集强制数据一致性，而验证子集用于定义损失函数。结果表明，所提出的自监督学习方法无需全采样数据即可成功重建图像，其性能与使用全采样参考训练的监督方法相似。这对其他无法获取或不可能获取全采样数据的基于物理的逆问题方法具有启示意义。