[论文解读] Zero-Shot Self-Supervised Learning for MRI Reconstruction

Burhaneddin Yaman, Seyed Amir Hossein Hosseini+1 more|arXiv (Cornell University)|Feb 15, 2021

Medical Imaging Techniques and Applications参考文献 22被引用 32

一句话总结

提出一种面向个体特异的加速 MRI 重建的零样本自监督学习（ZS-SSL）框架，来自单次欠采样扫描；具有自动早停验证和可选的迁移学习。它避免外部训练数据并提高对采集变异的鲁棒性。

ABSTRACT

Deep learning (DL) has emerged as a powerful tool for accelerated MRI reconstruction, but often necessitates a database of fully-sampled measurements for training. Recent self-supervised and unsupervised learning approaches enable training without fully-sampled data. However, a database of undersampled measurements may not be available in many scenarios, especially for scans involving contrast or translational acquisitions in development. Moreover, recent studies show that database-trained models may not generalize well when the unseen measurements differ in terms of sampling pattern, acceleration rate, SNR, image contrast, and anatomy. Such challenges necessitate a new methodology to enable subject-specific DL MRI reconstruction without external training datasets, since it is clinically imperative to provide high-quality reconstructions that can be used to identify lesions/disease for \emph{every individual}. In this work, we propose a zero-shot self-supervised learning approach to perform subject-specific accelerated DL MRI reconstruction to tackle these issues. The proposed approach partitions the available measurements from a single scan into three disjoint sets. Two of these sets are used to enforce data consistency and define loss during training for self-supervision, while the last set serves to self-validate, establishing an early stopping criterion. In the presence of models pre-trained on a database with different image characteristics, we show that the proposed approach can be combined with transfer learning for faster convergence time and reduced computational complexity. The code is available at \url{https://github.com/byaman14/ZS-SSL}.

研究动机与目标

• 提出一种不依赖外部数据集的个体特异性 MRI 重建方法。
• 开发一个零样本自监督训练框架，将 k-空间数据划分用于训练、损失计算和验证。
• 提供一个自动停止准则，在没有外部验证数据的情况下防止过拟合。
• 展示对不同采样模式、加速比、信噪比、对比度和解剖结构的鲁棒性和泛化能力。
• 展示在有预训练模型时，迁移学习如何加速收敛。

提出的方法

• 将来自单次扫描的获取的 k-空间划分为三个不相交的集合：Θ 用于数据一致性更新，Λ 用于损失计算，Γ 用于自我验证。
• 使用来自 Ω∖Γ（K 个分区）的多个 (Θk, Λk) 掩模，在 Λk 上使用数据一致性损失，训练一个展开的物理引导的 DL MRI 重建网络。
• 在对权重 θ 进行优化的同时，通过监控 Γ 上的 k-空间验证损失来定义自动早停准则。
• 可选地通过迁移学习（ZS-SSL-TL）从预训练模型初始化，以加速收敛并减少计算量。
• 在膝盖和脑部 MRI 的 10 次迭代展开结构中，使用基于 CG-SENSE/ResNet 的模块，输入为复值（real+imag）；端到端训练，采用归一化损失（ℓ1–ℓ2）和 Adam 优化器。
• 展示在没有完整采样参考的情况下进行训练，并用 PSNR 和 SSIM 进行评估。

实验结果

研究问题

• RQ1 零样本、面向个体的 DL MRI 重建在没有外部训练数据的情况下是否能达到有竞争力的质量？
• RQ2 三集合的 k-空间划分是否能实现有效的自监督和自动停止以防止过拟合？
• RQ3 当存在预训练模型时，迁移学习是否能进一步改善收敛并降低计算量？
• RQ4 相较于传统有监督方法，在采样模式、加速、对比度、SNR 和解剖结构的域迁移下，ZS-SSL-TL 的表现如何？

主要发现

• ZS-SSL 在训练和测试数据匹配时，能够获得无伪影的高质量重建，接近数据库训练方法。
• ZS-SSL-TL 相比 ZS-SSL 更快收敛，降低总训练时间。
• 在域迁移下，ZS-SSL-TL 比某些监督方法更有效地缓解带状伪影和残留混叠。
• 相比于数据库训练的 PG-DLR，ZS-SSL 和 ZS-SSL-TL 对采样模式、加速、对比度、SNR 和解剖结构的变化具有更强的鲁棒性。
• 个体特异的 ZS-SSL 不需要大规模训练数据集，且同样可与扫描特异的迁移学习相容，以平衡质量与计算量。