Compressed Sensing MRI Reconstruction Regularized by VAEs with Structured Image Covariance

要約

MRI 再構成のための学習された正則化は、変分正則化法の制御と洞察を保持しながら、複雑なデータ駆動型の逆問題を提供できます。
さらに、ペアのトレーニング データを使用しない教師なし学習により、学習した正則化器は、ノイズ レベル、サンプリング パターン、コイル感度などの前方問題の変化に柔軟に対応できます。
そのようなアプローチの 1 つは、グラウンド トゥルース画像でトレーニングされた生成モデルを逆問題の事前確率として使用し、ジェネレーターが生成できる画像から遠く離れた再構成にペナルティを課します。
この作業では、画像だけでなく、各画像の共分散不確実性マトリックスも生成する変分オートエンコーダー (VAE) を利用します。
共分散は、エッジやオブジェクトなどの画像内の構造によって引き起こされる不確実性の依存関係の変化をモデル化でき、学習した画像の多様体から新しい距離メトリックを提供します。
fastMRI データセットから放射状にサブサンプリングされた MRI 膝測定でこれらの新しい生成正則化を示し、それらを他の未学習、教師なし、および教師ありの方法と比較します。
私たちの結果は、提案された方法が他の最先端の方法と競争力があり、サンプリングパターンとノイズレベルの変化に対して一貫して動作することを示しています。

要約(オリジナル)

Learned regularization for MRI reconstruction can provide complex data-driven priors to inverse problems while still retaining the control and insight of a variational regularization method. Moreover, unsupervised learning, without paired training data, allows the learned regularizer to remain flexible to changes in the forward problem such as noise level, sampling pattern or coil sensitivities. One such approach uses generative models, trained on ground-truth images, as priors for inverse problems, penalizing reconstructions far from images the generator can produce. In this work, we utilize variational autoencoders (VAEs) that generate not only an image but also a covariance uncertainty matrix for each image. The covariance can model changing uncertainty dependencies caused by structure in the image, such as edges or objects, and provides a new distance metric from the manifold of learned images. We demonstrate these novel generative regularizers on radially sub-sampled MRI knee measurements from the fastMRI dataset and compare them to other unlearned, unsupervised and supervised methods. Our results show that the proposed method is competitive with other state-of-the-art methods and behaves consistently with changing sampling patterns and noise levels.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google