用于MRI重建的零样本自监督学习
图像与视频处理
2023-11-30 v4 计算机视觉与模式识别
机器学习
信号处理
医学物理
摘要
深度学习(DL)已成为加速MRI重建的有力工具,但通常需要一个完全采样测量的数据库用于训练。近期的自监督与无监督学习方法使得无需完全采样数据即可训练。然而,在许多场景中可能无法获得欠采样测量的数据库,尤其是涉及对比剂或处于研发中的平移采集的扫描。此外,近期研究表明,基于数据库训练的模型在未见测量在采样模式、加速率、信噪比(SNR)、图像对比度与解剖结构方面不同时,泛化性能可能不佳。此类挑战亟需一种新方法,以实现无需外部训练数据集的受试者特异性DL MRI重建,因为提供可用于识别每位个体病变/疾病的高质量重建在临床上是必需的。本工作中,我们提出一种零样本自监督学习方法,执行受试者特异性加速DL MRI重建以应对这些问题。所提方法将单次扫描的可用测量划分为三个互不相交的集合。其中两个集合用于在训练中强制数据一致性并定义自监督损失,最后一个集合用于自我验证,确立早停准则。在存在基于具有不同图像特征的数据库预训练模型时,我们表明所提方法可与迁移学习结合以加快收敛并降低计算复杂度。代码见 \url{https://github.com/byaman14/ZS-SSL}。
引用
@article{arxiv.2102.07737,
title = {Zero-Shot Self-Supervised Learning for MRI Reconstruction},
author = {Burhaneddin Yaman and Seyed Amir Hossein Hosseini and Mehmet Akçakaya},
journal= {arXiv preprint arXiv:2102.07737},
year = {2023}
}