Ein tiefes Lernframework für die Umwandlung von Bildrekonstruktionen in eine Pixel-Klassifikation

5. February 2020

Kamlesh Pawar, Zhaolin Chen, N. Jon Shah, Gary. F. Egan

Seit den Anfängen der MRT ist das Hauptproblem, mit dem sich die Forscher auseinandersetzen müssen, wie sie in möglichst kurzer Zeit das bestmögliche Bild erhalten können.

In dieser von unseren Kollegen an der Monash University, Melbourne, Australien, geleiteten Gemeinschaftsstudie wird eine Methode vorgestellt, die ein tiefes Lernframeworks verwendet, das die Aufgabe der MR-Bildrekonstruktion aus zufällig unterabgetasteten k-Raum-Daten in eine Pixelklassifikation transformiert und so die Geschwindigkeit und Genauigkeit verbessert.

Es wurde festgestellt, dass die mit dem DL-Klassifikationsmodell rekonstruierten Bilder die modernsten komprimierten Abtast- und DL-Regressionsmodelle mit einer ähnlichen Anzahl von Parametern, die mit quantitativen Maßen bewertet wurden, übertreffen. Darüber hinaus zeigen die im Rahmen dieser Forschung durchgeführten Experimente, dass die vorgeschlagene Methode des tiefen Lernens robust ist gegenüber dem Rauscheffekt. Sie ist in der Lage qualitativ hochwertige Bilder in Szenarien mit niedrigem SNR zu rekonstruieren, in denen herkömmliche CS-Rekonstruktionen und DL-Regressionsnetzwerke eine schlechte Leistung erbringen.

Der vorgeschlagene Ansatz ist generischer Natur und zeigt, dass viele der Fortschritte, die bei den Klassifikationsproblemen des tiefen Lernens gemacht wurden, in die Aufgaben der MR-Bildrekonstruktion integriert werden können und das Potenzial haben, große Fortschritte in diesem Forschungsbereich zu nutzen.

Original publication:

A Deep Learning Framework for Transforming Image Reconstruction Into Pixel Classification