A theoretical framework for self-supervised MR image reconstruction using sub-sampling via variable density Noisier2Noise

要約

近年、サブサンプリングされた磁気共鳴画像法 (MRI) データを再構築するためにニューラル ネットワークの統計モデリング機能を活用することが注目されています。
提案された手法のほとんどは、代表的な完全にサンプリングされたデータセットの存在を前提とし、完全に教師ありトレーニングを使用します。
ただし、多くのアプリケーションでは、完全にサンプリングされたトレーニング データは利用できず、取得するのが非常に非現実的である可能性があります。
したがって、サブサンプリングされたデータのみをトレーニングに使用する自己教師あり手法の開発と理解が非常に望まれています。
この研究では、もともと自己監視型ノイズ除去タスク用に構築された Noisier2Noise フレームワークを、可変密度のサブサンプリングされた MRI データに拡張しました。
私たちは、Noisier2Noise フレームワークを使用して、データ アンダーサンプリングによる自己教師あり学習 (SSDU) のパフォーマンスを分析的に説明します。SSDU は、実際には良好なパフォーマンスを発揮する最近提案された方法ですが、これまで理論的根拠が不足していました。
さらに、理論的発展の結果として生じる SSDU の 2 つの修正を提案します。
まず、サブセットが元のサンプリング マスクと同じ種類の分布を持つようにサンプリング セットを分割することを提案します。
次に、サンプリング密度と分割密度を補償する損失重み付けを提案します。
fastMRI データセットでは、これらの変更により SSDU の画像復元品質と分割パラメータに対する堅牢性が大幅に向上することが示されています。

要約(オリジナル)

In recent years, there has been attention on leveraging the statistical modeling capabilities of neural networks for reconstructing sub-sampled Magnetic Resonance Imaging (MRI) data. Most proposed methods assume the existence of a representative fully-sampled dataset and use fully-supervised training. However, for many applications, fully sampled training data is not available, and may be highly impractical to acquire. The development and understanding of self-supervised methods, which use only sub-sampled data for training, are therefore highly desirable. This work extends the Noisier2Noise framework, which was originally constructed for self-supervised denoising tasks, to variable density sub-sampled MRI data. We use the Noisier2Noise framework to analytically explain the performance of Self-Supervised Learning via Data Undersampling (SSDU), a recently proposed method that performs well in practice but until now lacked theoretical justification. Further, we propose two modifications of SSDU that arise as a consequence of the theoretical developments. Firstly, we propose partitioning the sampling set so that the subsets have the same type of distribution as the original sampling mask. Secondly, we propose a loss weighting that compensates for the sampling and partitioning densities. On the fastMRI dataset we show that these changes significantly improve SSDU’s image restoration quality and robustness to the partitioning parameters.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google