Motivation : La plupart des recherches sur les techniques d'IRM accélérée se concentrent sur l'amélioration de la qualité globale de l'image au niveau du voxel, négligeant les anomalies spécifiques qui sont cliniquement significatives. Objectif(s) : Ce travail réalise une reconstruction d'IRM accélérée dans un cadre de faible supervision tout en localisant les zones lésées et en améliorant la qualité de la reconstruction à ces emplacements de lésions. Approche : Nous avons construit un modèle de reconstruction IRM spécifique à la tâche qui inclut une régularisation apprenable personnalisée, résolue par un dépliage en réseau utilisant une optimisation alternée. Résultats : Les tests sur des ensembles de données médicales publiques montrent que notre méthode surpasse significativement les approches de référence actuelles et démontre des améliorations substantielles dans le domaine de la pathologie. Impact : Dans un cadre de faible supervision, notre méthode utilise uniquement des étiquettes d'image IRM pour réaliser une reconstruction IRM accélérée tout en localisant les zones lésées et en améliorant leur qualité de reconstruction. Cela a des implications significatives pour les applications cliniques.
Ju et al. (Mar,) ont étudié cette question.