ENSURE: A General Approach for Unsupervised Training of Deep Image Reconstruction Algorithms

要約

深層学習アルゴリズムを用いた画像再構成は、古典的な圧縮センシングやモデルベースアルゴリズムよりも再構成品質が向上し、再構成時間が短縮される。残念ながら、ディープネットワークを学習させるためのクリーンで完全にサンプリングされたグランドトゥルースデータは、いくつかのアプリケーションにおいてしばしば利用できず、上記の手法の適用性を制限している。我々は、ENsemble Stein’s Unbiased Risk Estimate (ENSURE) フレームワークと呼ばれる新しい指標を導入し、完全にサンプリングされたノイズのない画像なしで深層画像再構成アルゴリズムを学習するために用いることができるようにする。提案するフレームワークは、古典的なSUREとGSUREの定式化を、画像が集合からランダムに選ばれた異なる測定演算子によってサンプリングされる設定に一般化したものである。我々は、ENSURE損失関数を得るために、サンプリングパターンに対するGSURE損失関数の期待値を評価する。この損失は真の平均二乗誤差に対する不偏推定値であり、投影誤差に対する不偏推定値のみを提供するGSUREに代わる、より良い選択肢を提供することを示す。我々の実験では、この損失関数を用いて学習したネットワークは、教師ありの設定と同等の再構成を提供できることが示された。我々はこのフレームワークをMR画像再構成の文脈で実証したが、ENSUREフレームワークは一般に任意の逆問題に適用可能である。

要約(オリジナル)

Image reconstruction using deep learning algorithms offers improved reconstruction quality and lower reconstruction time than classical compressed sensing and model-based algorithms. Unfortunately, clean and fully sampled ground-truth data to train the deep networks is often unavailable in several applications, restricting the applicability of the above methods. We introduce a novel metric termed the ENsemble Stein’s Unbiased Risk Estimate (ENSURE) framework, which can be used to train deep image reconstruction algorithms without fully sampled and noise-free images. The proposed framework is the generalization of the classical SURE and GSURE formulation to the setting where the images are sampled by different measurement operators, chosen randomly from a set. We evaluate the expectation of the GSURE loss functions over the sampling patterns to obtain the ENSURE loss function. We show that this loss is an unbiased estimate for the true mean-square error, which offers a better alternative to GSURE, which only offers an unbiased estimate for the projected error. Our experiments show that the networks trained with this loss function can offer reconstructions comparable to the supervised setting. While we demonstrate this framework in the context of MR image recovery, the ENSURE framework is generally applicable to arbitrary inverse problems.

arxiv情報

提供元, 利用サービス

arxiv.jp, DeepL