机构名称：
¥ 2.0
d 澳大利亚莫纳什大学心理科学学院 摘要 在磁共振成像 (MRI) 中，图像采集通常在测量域中欠采样以加速扫描过程，但会牺牲图像质量。然而，图像质量是影响临床诊断准确性的关键因素；因此，从欠采样测量中进行高质量的图像重建一直是一个关键的研究领域。最近，深度学习 (DL) 方法已成为 MRI 重建的最新技术，通常涉及深度神经网络通过数据驱动的过程将欠采样的 MRI 图像转换为高质量的 MRI 图像。尽管如此，在消除混叠伪影和降低图像噪声方面，欠采样 DL MRI 重建仍有明显且巨大的改进空间，以满足临床诊断所需的高标准。在本文中，我们引入了一种使用对比学习的自监督预训练程序来提高欠采样 DL MRI 重建的准确性。我们使用对比学习将 MRI 图像表示转换为潜在空间，该潜在空间最大化不同欠采样表示之间的相互信息，并优化下游 DL 重建模型输入处的信息内容。我们的实验表明，在一系列加速因子和数据集上，重建精度都有所提高，无论是定量还是定性。此外，我们的扩展实验验证了所提出的框架在对抗条件下的稳健性，例如测量噪声、不同的 k 空间采样模式和病理异常，并证明了在具有完全不同解剖结构的 MRI 数据集上的迁移学习能力。此外，我们还进行了实验来可视化和分析所提出的 MRI 对比学习潜在空间的属性。代码可在此处获得。关键词：对比学习潜在空间、相互信息最大化、欠采样 MRI 重建、深度学习模型、重建精度
CL-MRI：自我监督对比学习，以改善
主要关键词
相关文件推荐
![自我学习报告 - 重新认证 [第 2 周期]](/simg/0/0016f00853b046b276e2af48e4bcd4cca2d7aad1.webp)
