Bildrekonstruktion auf Basis von Deep Learning mit begrenzten Daten: Generierung synthetischer Rohdaten mittels Deep Learning

Zusammenfassung Objekt Deep Learning hat sich als vielversprechend für die schnelle Rekonstruktion beschleunigter MRT-Akquisitionen erwiesen, indem es aus großen Mengen an Rohdaten gelernt hat. Rohdaten stehen jedoch nicht immer in ausreichenden Mengen zur Verfügung. Diese Studie untersucht die Generierung synthetischer Daten, um kleine Datensätze zu ergänzen und die Rekonstruktionsqualität zu verbessern. Materialien und Methoden Ein adverserialer Auto-Encoder wurde trainiert, um Phasen- und Spulenempfindlichkeitskarten aus Magnitudenbildern zu erstellen, die zu synthetischen Rohdaten kombiniert wurden. Bei einer vierfach beschleunigten MR-Rekonstruktion wurden auf Basis von Deep Learning Rekonstruktionsnetzwerke mit unterschiedlichen Mengen an Trainingsdaten (20 bis 160 Scans) trainiert. Die Leistung des Testsets wurde zwischen Grundlagenerfahrungen und Erfahrungen, die synthetische Trainingsdaten einbeziehen, verglichen. Ergebnisse Das Training mit synthetischen Rohdaten zeigte sinkende Rekonstruktionsfehler mit zunehmenden Mengen an Trainingsdaten, jedoch war dies wichtig, da es sich um Magnituden-Daten handelte und nicht um echte Rohdaten. Bei kleinen Trainingssätzen verringerte das Training mit synthetischen Daten den mittleren absoluten Fehler (MAE) um bis zu 7,5 %, während bei größeren Trainingssätzen der MAE um bis zu 2,6 % anstieg. Diskussion Die Generierung synthetischer Rohdaten verbesserte die Rekonstruktionsqualität in Szenarien mit begrenzten Trainingsdaten. Ein wesentlicher Vorteil der Generierung synthetischer Daten besteht darin, dass sie die Wiederverwendung von Magnituden-Datensätzen ermöglicht, die leichter verfügbar sind als Rohdatensätze.