基于离群拒绝自助聚合的无监督MR运动伪影深度学习
计算机视觉与模式识别
2020-11-13 v1 机器学习
图像与视频处理
机器学习
摘要
近来，用于MR运动伪影校正的深度学习方法已被广泛研究。尽管这些方法相比经典方法展现出高性能与更低的计算复杂度，其中大多数需要利用无伪影与有伪影图像对的监督训练，这可能阻碍其在许多重要临床应用中的使用。例如，Gd-EOB-DTPA增强MR中因急性一过性呼吸困难引起的一过性严重运动（TSM）难以控制与建模以生成配对数据。为解决此问题，本文提出一种通过离群拒绝自助子采样与聚合的新型无监督深度学习方案。其灵感来源于如下观察：运动通常在相位编码方向引起稀疏的k空间离群值，因此沿相位编码方向的k空间子采样可去除部分离群值，且聚合步骤能进一步改善重建网络的结果。我们的方法不需要任何配对数据，因为训练步骤仅需无伪影图像。此外，为解决偏向无伪影图像的潜在平滑问题，该网络使用最优传输驱动的cycleGAN以无监督方式训练。我们验证了本方法可成功应用于模拟运动以及来自TSM的真实运动伪影校正，优于现有最先进（state-of-the-art）深度学习方法。
引用
@article{arxiv.2011.06337,
title = {Unsupervised MR Motion Artifact Deep Learning using Outlier-Rejecting Bootstrap Aggregation},
author = {Gyutaek Oh and Jeong Eun Lee and Jong Chul Ye},
journal= {arXiv preprint arXiv:2011.06337},
year = {2020}
}