基于零样本学习对抗Transformer的无监督MRI重建
图像与视频处理
2022-01-19 v3 计算机视觉与模式识别
机器学习
摘要
有监督重建模型的特征是在欠采样与全采样数据的匹配对上训练，以捕获MRI先验以及关于成像算子的监督以强制数据一致性。为降低监督需求，近期的深度图像先验框架改为在推理过程中将未训练的MRI先验与成像算子相结合。然而，典型的卷积架构在捕获长程关系方面欠佳，且基于随机初始化网络的先验可能导致次优性能。为应对这些局限，本文提出一种基于零样本学习对抗Transformer（SLATER）的新型无监督MRI重建方法。SLATER体现为一个具有交叉注意力Transformer的深度对抗网络，将噪声与潜变量映射到线圈合并的MR图像上。在预训练期间，该无条件网络在无监督生成建模任务中学习高质量的MRI先验。在推理期间，通过引入成像算子并优化先验以最大化与欠采样数据的一致性来执行零样本重建。在脑MRI数据集上的综合实验清楚地证明了SLATER相对于最先进无监督方法的优越性能。
引用
@article{arxiv.2105.08059,
title = {Unsupervised MRI Reconstruction via Zero-Shot Learned Adversarial Transformers},
author = {Yilmaz Korkmaz and Salman UH Dar and Mahmut Yurt and Muzaffer Özbey and Tolga Çukur},
journal= {arXiv preprint arXiv:2105.08059},
year = {2022}
}