Unsupervised Knowledge-Transfer for Learned Image Reconstruction

要約

ディープラーニングベースの画像再構成アプローチは、多くの画像モダリティで印象的な経験的パフォーマンスを示しています。
これらのアプローチは通常、大量の高品質のペアトレーニングデータを必要としますが、これは医用画像では利用できないことがよくあります。
この問題を回避するために、ベイジアンフレームワーク内で学習した再構築のための新しい教師なし知識伝達パラダイムを開発します。
提案されたアプローチは、2つのフェーズで再構成ネットワークを学習します。
最初のフェーズでは、楕円のグラウンドトゥルース画像と対応するシミュレートされた測定データで構成される順序対のセットを使用して再構成ネットワークをトレーニングします。
第2段階では、事前にトレーニングされたネットワークを、監視なしでより現実的な測定データに微調整します。
構築により、フレームワークは、再構成された画像に対して予測不確実性情報を提供することができます。
このアプローチがいくつかの最先端の教師ありおよび教師なし再構成技術と競合することを示す、低線量およびスパースビューコンピュータ断層撮影に関する広範な実験結果を提示します。
さらに、トレーニングデータとは異なる方法で配布されたテストデータの場合、提案されたフレームワークは、合成データセットのみでトレーニングされた学習方法と比較して、視覚的にだけでなく、PSNRおよびSSIMの観点からも定量的に再構成の品質を大幅に向上させることができます。

要約(オリジナル)

Deep learning-based image reconstruction approaches have demonstrated impressive empirical performance in many imaging modalities. These approaches usually require a large amount of high-quality paired training data, which is often not available in medical imaging. To circumvent this issue we develop a novel unsupervised knowledge-transfer paradigm for learned reconstruction within a Bayesian framework. The proposed approach learns a reconstruction network in two phases. The first phase trains a reconstruction network with a set of ordered pairs comprising of ground truth images of ellipses and the corresponding simulated measurement data. The second phase fine-tunes the pretrained network to more realistic measurement data without supervision. By construction, the framework is capable of delivering predictive uncertainty information over the reconstructed image. We present extensive experimental results on low-dose and sparse-view computed tomography showing that the approach is competitive with several state-of-the-art supervised and unsupervised reconstruction techniques. Moreover, for test data distributed differently from the training data, the proposed framework can significantly improve reconstruction quality not only visually, but also quantitatively in terms of PSNR and SSIM, when compared with learned methods trained on the synthetic dataset only.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google