แนวคิดหลัก
Das k-band-Verfahren ermöglicht das Training von Deep-Learning-Modellen unter Verwendung nur teilweiser, begrenzter Auflösungsdaten, die leicht zu erfassen sind. Darüber hinaus bietet k-band eine Generalisierung der Hochauflösungsrekonstruktion während der Inferenz.
บทคัดย่อ
Das k-band-Verfahren wurde entwickelt, um die Datenerfassung und das Training synergetisch aufeinander abzustimmen:
Erfassung: Es wird vorgeschlagen, k-Raum-Bänder mit begrenzter Auflösung in einer Phasenkodierdimension zu erfassen. Dies ist schnell, praktisch und einfach zu implementieren.
Training: Um das Training nur mit den teilweisen, begrenzten Auflösungsdaten zu ermöglichen, wird eine neuartige Trainingsmethode namens stochastischer Gradientenabstieg (SGD) über k-Raum-Teilmengen eingeführt. Es wird analytisch gezeigt, dass diese Methode den vollständig überwachten Trainingsvorgang stochastisch approximiert, wenn zwei einfache Bedingungen erfüllt sind: Die Winkel der Bänder werden über die Beispiele hinweg zufällig variiert und eine analytisch hergeleitete Verlustgewichtungsmaske wird während des Trainings angewendet.
Inferenz: Obwohl das Training nur mit begrenzter Auflösung erfolgt, kann das Netzwerk während der Inferenz Hochauflösungsrekonstruktionen generieren.
Experimente mit realen MRT-Daten zeigen, dass k-band eine Leistung erzielt, die mit der vollständig überwachter und selbstüberwachter Methoden, die auf Hochauflösungsdaten trainiert wurden, vergleichbar ist, mit dem Vorteil, dass nur begrenzte Auflösungsdaten für das Training verwendet werden.
สถิติ
Die Erfassung von k-Raum-Bändern ist schnell und praktisch, da nur ein Teil des k-Raums abgetastet wird.
Durch das zufällige Auswählen der Bandwinkel über die Beispiele hinweg wird der gesamte k-Raum während des Trainings abgedeckt.
Die analytisch hergeleitete Verlustgewichtungsmaske kompensiert für die reduzierte Exposition des Netzwerks gegenüber hochfrequenten k-Raum-Bereichen während des Trainings.
คำพูด
"Das k-band-Verfahren bietet praktische Strategien für eine schnelle Erfassung und selbstüberwachtes Training unter Verwendung von Daten mit begrenzter Auflösung, mit theoretischen Garantien."
"Es ist einfach zu implementieren und unabhängig von der Pulssequenz und der Deep-Learning-Architektur. Es kann daher die Erstellung neuer Datensätze und die Entwicklung von Deep-Learning-Modellen für datenherausfordernde Regime erleichtern."