论文
论文题目:fastMRI: An open dataset and benchmarks for accelerated MRI
论文作者:Zbontar, Jure and Knoll, Florian and Sriram, Anuroop and Murrell, Tullie and Huang, Zhengnan and Muckley, Matthew J and Defazio, Aaron and Stern, Ruben and Johnson, Patricia and Bruno, Mary and others
论文期刊:arXiv preprint arXiv:1811.08839
年份:2018
论文贡献
- 针对先前MRI领域中没有较大的数据集,作者们整理并提供了一个数据集。该数据集包含膝盖和脑部数据,其中膝盖数据包含两种,分别是 coronal proton-density weighting with (PDFS) and without (PD) fat suppression。 脑部数据分成四种,分别是T1 weighted images, T1 weighted基础上加入contrast agent, T2 weighted images和 FLAIR images。再细化,通过每一种加权方法采集到的每一份数据集包含四种类型的数据:原始多线圈K空间数据,仿真得到的单线圈K空间数据,GroundTrue图片,DICOM图片(大多数DICOM图像是通过加速平行成像采集和相应的重建得到的)。
- 论文提出U-Net结构的重建模型,每一块包含卷积核,标准化,激活函数。下采样时块与块之间通过最大池化层实现下采样,上采样时块与块之间通过双线性上采用连接,并且上采用时用到对应下采样层得到的数据。训练过程的损失函数是训练得到的图像与GroundTrue的一范数。
- 论文通过实验证明了其所提出的U-Net模型随着网络参数的增加,也不会出现过拟合的状态。同时还证明了随着训练数据集的数量增加,网络训练出来的结果的SSIM指标也在逐渐提升,这也侧面印证了大数据集是必要的。
论文展望
- 本文提出的U-Net模型是个end-to-end模型,没有考虑到利用线圈灵敏度、线圈之间的相关性。因此,可以在往后研究中考虑这两个关系。
- 论文希望往后的研究可以提出一个较好的度量指标。
- 与许多计算机视觉问题不同,其中小的纹理变化可能不改变他人对图像的整体满意度。但在MRI重建中,必须特别小心,以确保我们不会被一个非常合理但不一定正确的重建所误导。