Destilación de Conocimiento Adaptativa para la Reconstrucción de MRI No Supervisada de Alta Calidad Con Priors Modelados

La reconstrucción por Imágenes por Resonancia Magnética (IRM) ha avanzado significativamente con la introducción de la tecnología de Aprendizaje Profundo (AP) combinada con el Muestreo Comprimido (MC). Sin embargo, la mayoría de los métodos existentes requieren grandes conjuntos de datos de entrenamiento completamente muestreados para supervisar el proceso de entrenamiento, los cuales pueden no estar disponibles en muchas aplicaciones. Los modelos no supervisados actuales también muestran limitaciones en rendimiento o velocidad y pueden enfrentar distribuciones desalineadas durante las pruebas. Este artículo propone un método no supervisado para entrenar modelos de reconstrucción competitivos que pueden generar muestras de alta calidad de manera end-to-end. Primero, se entrenan modelos maestros llenando las imágenes submuestreadas y se comparan con las imágenes submuestreadas de manera autosupervisada. Luego, los modelos maestros se destilan para entrenar otro modelo en cascada que puede aprovechar todo el k-space submuestreado durante su entrenamiento y pruebas. Además, proponemos un método de destilación adaptativa para volver a ponderar las muestras en función de la varianza de los maestros, que representa la confianza en los resultados de reconstrucción, para mejorar la calidad de la destilación. Los resultados experimentales en múltiples conjuntos de datos demuestran que nuestro método acelera significativamente el proceso de inferencia mientras conserva o incluso mejora el rendimiento en comparación con el modelo maestro. En nuestras pruebas, los modelos destilados muestran mejoras del 5%-10% en PSNR y SSIM en comparación con la ausencia de destilación y son 10 veces más rápidos que el maestro. El código fuente de nuestro trabajo se puede adquirir en https://github.com/BITwzl/unsupervisedₘriᵣeconstruction.