Core Concepts
本論文では、強化学習を用いて、MRI画像のサンプリングと再構成を同時に最適化する新しい枠組みを提案する。これにより、従来の手法よりも高い再構成性能を達成できる。
Abstract
本論文では、MRI画像のサンプリングと再構成を同時に最適化する新しい枠組みを提案している。
まず、従来の密報酬POMDPには以下の問題点があることを指摘する:
高い計算コスト: 中間再構成が必要なため
分布のミスマッチ: 中間再構成の精度が重要になるが、最終的な再構成性能には影響しない
そこで、本論文では疎報酬POMDPを提案する。これは以下の特徴を持つ:
最終的な再構成のみに報酬を与え、中間再構成は不要
分布のミスマッチの問題を回避できる
さらに、この疎報酬POMDPに基づいて2つの新しい学習フレームワークを提案する:
L2S: 固定された再構成器を用いて、サンプラーを強化学習で最適化する
L2SR: サンプラーと再構成器を交互に最適化する
実験では、fastMRIデータセットを用いて提案手法の有効性を示している。L2Sは従来手法よりも高い再構成性能を達成し、L2SRはサンプラーと再構成器を同時に最適化することで、さらに高い性能を実現している。
Stats
加速率が4倍の場合、L2SRの平均SSIMは0.8097、平均PSNRは28.15dB
加速率が8倍の場合、L2SRの平均SSIMは0.6712、平均PSNRは25.61dB
加速率が16倍の場合、L2SRの平均SSIMは0.8969、平均PSNRは32.87dB