基于迁移学习增强的生成对抗网络用于多通道 MRI 重建
图像与视频处理
2021-05-19 v1 计算机视觉与模式识别
机器学习
摘要
基于深度学习的生成对抗网络（GAN）可利用欠采样 MR 数据有效执行图像重建。一般而言，需要大量训练样本以提升特定模型的重建性能。然而在实际临床应用中，由于保存 k 空间数据并非常规临床流程，难以获取数万例原始患者数据来训练模型。因此，基于小样本增强网络泛化能力的需求十分迫切。本研究中，基于并行成像结合 GAN 模型（PI-GAN）与迁移学习探索了三种新颖应用。该模型使用公开的 Calgary 脑图像进行预训练，随后微调用于：（1）本中心带肿瘤患者；（2）不同解剖部位，包括膝与肝；（3）加速因子（AF）为 2 和 6 的不同 k 空间采样掩模。对于脑肿瘤数据集，迁移学习结果可去除 PI-GAN 中发现的伪影并产生更平滑的脑边缘。膝与肝的迁移学习结果优于使用更少训练例数以其自身数据集训练的 PI-GAN 模型。然而，与脑肿瘤数据集中的学习相比，膝数据集的学习过程收敛更慢。在 AF 为 2 和 6 的模型中，迁移学习均改善了重建性能。在这两种模型中，AF=2 者结果更好。结果还表明，使用预训练模型的迁移学习可解决训练与测试数据集间不一致的问题，并有助于对未见数据的泛化。
引用
@article{arxiv.2105.08175,
title = {Transfer Learning Enhanced Generative Adversarial Networks for Multi-Channel MRI Reconstruction},
author = {Jun Lv and Guangyuan Li and Xiangrong Tong and Weibo Chen and Jiahao Huang and Chengyan Wang and Guang Yang},
journal= {arXiv preprint arXiv:2105.08175},
year = {2021}
}
备注
29 pages, 11 figures, accepted by CBM journal