无全采样真值的互加速 MRI 合成的半监督学习
图像与视频处理
2021-05-13 v2 计算机视觉与模式识别
摘要
基于学习的合成多对比度 MRI 通常涉及使用源对比度和目标对比度的高质量图像训练深度模型，无论源域和目标域样本是否配对。这导致不希望出现的对全部 MRI 对比度全采样采集的依赖，而由于扫描成本与时间的限制，这可能并不现实。在此，我们提出一种新颖的半监督深度生成模型，该模型转而学习直接从源对比度和目标对比度的加速采集数据中恢复高质量目标图像。为实现这一点，所提模型在图像、k 空间和对抗域中引入了新颖的多线圈张量损失。这些选择性损失仅基于已采集的 k 空间样本，并且跨受试者使用随机采样掩码以捕获已采集与未采集 k 空间区域之间的关系。在多对比度神经成像数据集上的综合实验表明，我们的半监督方法取得了与金标准全监督模型相当的性能，同时优于基于欠采样数据重建学习合成的级联方法。因此，所提方法极有希望提高跨对比度集与 k 空间相互欠采样的加速 MRI 采集的可行性与效用。
引用
@article{arxiv.2011.14347,
title = {Semi-Supervised Learning of Mutually Accelerated MRI Synthesis without Fully-Sampled Ground Truths},
author = {Mahmut Yurt and Salman Ul Hassan Dar and Muzaffer Özbey and Berk Tınaz and Kader Karlı Oğuz and Tolga Çukur},
journal= {arXiv preprint arXiv:2011.14347},
year = {2021}
}