VORTEX：基于一致性训练的物理驱动数据增强以提升加速 MRI 重建的鲁棒性
图像与视频处理
2022-06-20 v2 医学物理
摘要
深度神经网络已实现 various inverse problems 中的图像质量提升和快速推理，包括加速磁共振成像 (MRI) 重建。然而，这类模型需要大量完全采样的 ground truth 数据集，而这些数据集难以收集，且对分布漂移敏感。本文提出应用物理驱动的数据增强技术进行一致性训练，利用我们对前向 MRI 数据采集过程和 MRI 物理知识的了解，以实现更高的标签效率和对临床相关分布漂移的鲁棒性。我们提出的方法称为 VORTEX：(1) 在信号信噪比变化和运动损坏的数据受限条件下，显著优于有无数据增强的监督基线；(2) 在分布内和分布外数据上，大幅优于当前基于纯图像的数据增强技术和自监督重建方法；(3) 使能够组合异构的图像基数据增强与物理驱动数据增强。我们的代码已公开于 https://github.com/ad12/meddlr。
引用
@article{arxiv.2111.02549,
title = {VORTEX: Physics-Driven Data Augmentations Using Consistency Training for Robust Accelerated MRI Reconstruction},
author = {Arjun D Desai and Beliz Gunel and Batu M Ozturkler and Harris Beg and Shreyas Vasanawala and Brian A Hargreaves and Christopher Ré and John M Pauly and Akshay S Chaudhari},
journal= {arXiv preprint arXiv:2111.02549},
year = {2022}
}
备注
Accepted to MIDL 2022