SelfCoLearn：用于加速动态 MR 成像的自监督协作学习
图像与视频处理
2022-08-09 v1 人工智能
计算机视觉与模式识别
摘要
近来，深度学习被广泛研究用于加速动态磁共振（MR）成像，并取得了令人鼓舞的进展。然而，若无全采样参考数据用于训练，当前方法在恢复精细细节或结构上的能力可能有限。为应对该挑战，本文提出一种自监督协作学习框架（SelfCoLearn），用于从欠采样 k 空间数据准确重建动态 MR 图像。所提框架包含三个重要组件，即双网络协作学习、重新欠采样数据增强以及专门设计的协同训练损失。该框架可灵活地与数据驱动网络及基于模型的迭代展开网络集成。我们的方法已在体内数据集上评估，并与四种最先进（SOTA）方法比较。结果表明，我们的方法具备从欠采样 k 空间数据直接重建中捕捉本质与固有表示的强能力，从而实现高质量、快速的动态 MR 成像。
引用
@article{arxiv.2208.03904,
title = {SelfCoLearn: Self-supervised collaborative learning for accelerating dynamic MR imaging},
author = {Juan Zou and Cheng Li and Sen Jia and Ruoyou Wu and Tingrui Pei and Hairong Zheng and Shanshan Wang},
journal= {arXiv preprint arXiv:2208.03904},
year = {2022}
}
备注
22 pages,9 figures