欠采样 MRI 自监督图像重建方法的验证与泛化性

深度学习方法已成为欠采样 MR 重建的最优方法。尤其在难以或无法获取全采样真值数据的情况下，用于重建的自监督机器学习方法正日益受到采用。然而此类方法的验证及其泛化性中的潜在问题仍鲜有探究。本文研究了欠采样 MR 图像自监督重建算法验证的重要方面：对前瞻性重建的定量评估、前瞻与回顾重建间的潜在差异、常用定量指标的适用性以及泛化性。我们研究了两种基于自监督去噪与深度图像先验（deep image prior）的自监督算法，并将它们与最小二乘拟合及压缩感知重建在活体与体模数据上进行比较。其泛化性通过来自不同于训练条件的实验性前瞻性欠采样数据进行测试。我们表明，相对于回顾重建/真值，前瞻重建可能出现显著畸变。此外，逐像素定量指标可能无法准确捕捉感知质量差异，而感知指标则不然。所有方法均展现出泛化潜力，但泛化性受解剖结构/对比度变化的影响甚于其他变化。我们进一步表明，无参考图像指标在研究泛化性时与人类图像质量评分吻合良好。最后，我们表明调优后的压缩感知重建与学习式去噪在所有数据上表现相近。