Die Studie präsentiert eine neuartige nicht-parametrische Bayes'sche Deep-Neural-Network (DNN)-basierte Methode zur Magnetresonanztomographie (MRT)-Bildrekonstruktion aus unterbeprobten k-Raum-Daten. Dieser Ansatz ermöglicht die vollständige Charakterisierung der Posteriorverteilung der rekonstruierten MRT-Bilder und liefert quantitative Maße für die Unsicherheit der Vorhersage.
Die Methode verwendet Stochastische Gradientenlangevin-Dynamik (SGLD), um während des Trainings aus der Posteriorverteilung der Netzwerkparameter zu sampeln. Dies ermöglicht es, sowohl die Qualität der rekonstruierten Bilder zu verbessern als auch die Unsicherheit in den rekonstruierten Bildern zu quantifizieren.
Die Experimente zeigen, dass der NPB-REC-Ansatz die Rekonstruktionsgenauigkeit im Vergleich zu Baseline-Methoden signifikant verbessert, insbesondere bei hohen Beschleunigungsraten. Darüber hinaus liefert der Ansatz Unsicherheitsmaße, die besser mit dem Rekonstruktionsfehler korrelieren als herkömmliche Methoden. Außerdem zeigt der Ansatz eine bessere Generalisierungsfähigkeit gegenüber Verteilungsverschiebungen der Anatomie und der Unterabtastungsmuster.
他の言語に翻訳
原文コンテンツから
arxiv.org
深掘り質問