JSSL: Joint Supervised and Self-supervised Learning for MRI Reconstruction

要約

目的: MRI は重要な診断手段です。
ただし、その本質的に遅い取得プロセスにより、運動下で完全にサンプリングされた k 空間データを取得する際に課題が生じます。
グラウンド トゥルースとして機能する完全にサンプリングされた取得が存在しない場合、根底にあるグラウンド トゥルース画像を予測するために教師付き方法で深層学習アルゴリズムをトレーニングすることは困難になります。
この制限に対処するために、利用可能なサブサンプリングされた k 空間データを活用して、MRI 再構成用のディープ ニューラル ネットワークをトレーニングする自己教師あり手法が実行可能な代替手段として登場しました。
それにもかかわらず、これらのアプローチは教師あり手法と比較すると不十分なことがよくあります。
方法：我々は、完全にサンプリングされたk空間測定値を含むターゲットデータセットが利用できない場合に再構成の品質を向上させることを目的とした、深層学習ベースのMRI再構成アルゴリズムの新しいトレーニングアプローチである共同教師あり自己教師あり学習（JSSL）を提案します。
JSSL は、ターゲット データセットからサブサンプリングされたデータを使用して自己教師あり学習設定でモデルをトレーニングすることと、プロキシ データセットと呼ばれる完全にサンプリングされた k 空間データを含むデータセットを利用して教師あり学習方法でモデルを同時にトレーニングすることによって動作します。
サブサンプリングされた前立腺または心臓の MRI データをターゲット データセットとして使用し、フルサンプリングされた脳と膝、または脳、膝、前立腺の k 空間取得をそれぞれプロキシ データセットとして使用して、JSSL の有効性を実証します。
結果: 私たちの結果は、一般的な画質メトリクスを使用して検証された、従来の自己教師あり手法に比べて大幅な改善を示しています。
さらに、JSSL の理論的動機を提供し、MRI 再構成モデ​​ルをトレーニングするための経験則ガイドラインを確立します。
結論: JSSL は、プロキシ データセットを組み込むことで教師あり学習の強みを活用し、完全にサンプリングされた k 空間データが利用できないシナリオで MRI 再構成の品質を効果的に向上させます。

要約(オリジナル)

Purpose: MRI represents an important diagnostic modality; however, its inherently slow acquisition process poses challenges in obtaining fully-sampled k-space data under motion. In the absence of fully-sampled acquisitions, serving as ground truths, training deep learning algorithms in a supervised manner to predict the underlying ground truth image becomes challenging. To address this limitation, self-supervised methods have emerged as a viable alternative, leveraging available subsampled k-space data to train deep neural networks for MRI reconstruction. Nevertheless, these approaches often fall short when compared to supervised methods. Methods: We propose Joint Supervised and Self-supervised Learning (JSSL), a novel training approach for deep learning-based MRI reconstruction algorithms aimed at enhancing reconstruction quality in cases where target datasets containing fully-sampled k-space measurements are unavailable. JSSL operates by simultaneously training a model in a self-supervised learning setting, using subsampled data from the target dataset(s), and in a supervised learning manner, utilizing datasets with fully-sampled k-space data, referred to as proxy datasets. We demonstrate JSSL’s efficacy using subsampled prostate or cardiac MRI data as the target datasets, with fully-sampled brain and knee, or brain, knee and prostate k-space acquisitions, respectively, as proxy datasets. Results: Our results showcase substantial improvements over conventional self-supervised methods, validated using common image quality metrics. Furthermore, we provide theoretical motivations for JSSL and establish rule-of-thumb guidelines for training MRI reconstruction models. Conclusion: JSSL effectively enhances MRI reconstruction quality in scenarios where fully-sampled k-space data is not available, leveraging the strengths of supervised learning by incorporating proxy datasets.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google