MRI重建中的对抗鲁棒训练

作者: | Francesco Calivá | Kaiyang Cheng | Rutwik Shah | Valentina Pedoia |

摘要:深度学习在加速磁共振图像的获取和重建方面显示出了巨大的潜力。然而,目前还缺乏一种量身定做的方法来保证小特征的重建是以高保真的方式实现的。在本工作中,我们使用对抗性攻击来产生小的合成扰动,当它们加入到输入的MRI中时,它们不会被训练的DL重建网络重建。然后,利用鲁棒训练来提高网络对小特征的敏感性,并鼓励其重构。接下来,我们研究了该方法对真实世界特征的推广。为此,一位肌肉骨骼放射科医生从膝关节快速MRI数据中标注了一组软骨和半月板病变,并设计了一个分类网络来评估其特征重建。实验结果表明,在重建网络中引入鲁棒训练,可以降低图像重建中的假阴性特征率(4.8%)。这些结果鼓励并突出了图像重建界对此问题的关注,这是DL重建在临床实践中引入的一个里程碑。为了支持进一步的研究,我们在https://github.com/fcaliva/fastMRI_BB_abnormalities_annotation.上公开了我们的注释。

论文地址

https://arxiv.org/abs/2011.00070v1

下载地址

https://arxiv.org/pdf/2011.00070v1.pdf

全部源码

https://github.com/fcaliva/fastMRI_BB_abnormalities_annotation

图像重建MRI重建

相关推荐

暂无评论

微信扫一扫,分享到朋友圈

MRI重建中的对抗鲁棒训练