Multi-Mask Self-Supervised Learning for Physics-Guided Neural Networks in Highly Accelerated MRI

要約

自己教師付き学習は、フルサンプリングデータなしで深層学習MRI再構成法を訓練することができるため、大きな可能性を示している。物理誘導型再構成ネットワークのための現在の自己教師付き学習法は、取得したアンダーサンプルデータを2つの不連続なセットに分割し、一方は展開されたネットワークにおけるデータ整合性（DC）のために使用し、他方は学習損失を定義するために使用される。本研究では、フルサンプリングデータのデータベースがなくても、物理ガイド付き再構成ネットワークを学習するために、取得したデータをより効率的に利用する改良型自己教師あり学習法を提案する。提案するデータアンダーサンプリングによるマルチマスク自己教師学習(SSDU)は、取得した測定値に対してホールドアウトマスキング操作を適用し、各トレーニングサンプルに対して複数の離散集合の組に分割し、そのうちの1組をDCユニット用、他の組を損失定義用に使用し、それによりアンダーサンプルのデータをより効率的に使用するものである。マルチマスクSSDUを、様々な加速度とパターンのフルサンプル3D膝MRIとプロスペクティブアンダーサンプリング3D脳MRIデータセットに適用し、CG-SENSEとシングルマスクSSDU DL-MRI、およびフルサンプリングデータがある場合の教師付きDL-MRIと比較した。膝関節MRIの結果、提案するマルチマスクSSDUはSSDUを上回り、教師ありDL-MRIと近い性能であることが示された。さらに、臨床読影者による検討では、SNRとエイリアシングアーチファクトの観点から、マルチマスクSSDUはsupervised DL-MRIよりも上位に位置することが示された。脳MRIの結果、multi-mask SSDUはSSDUと比較してより良い再構成品質を達成することが示された。R=8でのmulti-mask SSDUは、R=8でのsingle-mask SSDUやR=2でのCG-SENSEと比較して、再構成が大幅に改善することが読者調査で明らかになった。

要約(オリジナル)

Self-supervised learning has shown great promise due to its capability to train deep learning MRI reconstruction methods without fully-sampled data. Current self-supervised learning methods for physics-guided reconstruction networks split acquired undersampled data into two disjoint sets, where one is used for data consistency (DC) in the unrolled network and the other to define the training loss. In this study, we propose an improved self-supervised learning strategy that more efficiently uses the acquired data to train a physics-guided reconstruction network without a database of fully-sampled data. The proposed multi-mask self-supervised learning via data undersampling (SSDU) applies a hold-out masking operation on acquired measurements to split it into multiple pairs of disjoint sets for each training sample, while using one of these pairs for DC units and the other for defining loss, thereby more efficiently using the undersampled data. Multi-mask SSDU is applied on fully-sampled 3D knee and prospectively undersampled 3D brain MRI datasets, for various acceleration rates and patterns, and compared to CG-SENSE and single-mask SSDU DL-MRI, as well as supervised DL-MRI when fully-sampled data is available. Results on knee MRI show that the proposed multi-mask SSDU outperforms SSDU and performs closely with supervised DL-MRI. A clinical reader study further ranks the multi-mask SSDU higher than supervised DL-MRI in terms of SNR and aliasing artifacts. Results on brain MRI show that multi-mask SSDU achieves better reconstruction quality compared to SSDU. Reader study demonstrates that multi-mask SSDU at R=8 significantly improves reconstruction compared to single-mask SSDU at R=8, as well as CG-SENSE at R=2.

arxiv情報

提供元, 利用サービス

arxiv.jp, DeepL