स्थानांतरित MRI शोर-निवारण मॉडलों के लिए मजबूत डोमेन अनुकूलन

प्रेरणा: शोर-निवारण गहरे अनुकरण मॉडल विकसित करना जो विभिन्न MRI परीक्षण वितरणों में प्रभावी रूप से सामान्यीकृत कर सके, प्रशिक्षण डेटासेट में डेटा की कमी द्वारा लगाए गए सीमाओं को पार करना। लक्ष्य: यह निर्धारित करना कि क्या संयुक्त सुपरवाइज और आत्म-नियंत्रित शिक्षण पारंपरिक पूर्ण रूप से सुपरवाइज (FS) प्रशिक्षण को Out-Of-Distribution (OOD) MRI छवि शोर-निवारण समस्याओं पर पराजित कर सकता है। दृष्टिकोण: हम MRI छवि शोर-निवारण के लिए FS और आत्म-नियंत्रित कंट्रास्टिव हानि शर्तों को जोड़ने वाली एक संयुक्त प्रशिक्षण पद्धति अपनाते हैं। इस दृष्टिकोण को कई OOD परीक्षण डेटासेट पर इसकी robustness के लिए मूल्यांकित किया जाता है। परिणाम: हमारा संयुक्त प्रशिक्षण दृष्टिकोण OOD छवि शोर-निवारण समस्याओं पर कम शोर स्तरों पर FS शिक्षण को पराजित करता है; हालाँकि, इसकी प्रभावशीलता उच्च शोर स्तरों पर कम हो जाती है। प्रभाव: यह शोध कम शोर OOD MRI डेटा पर बेहतर शोर-निवारण प्रदर्शन दिखाता है, जो सीमित प्रशिक्षण डेटा के साथ विविध इमेजिंग परिस्थितियों में सामान्यीकरण करने में एक मुख्य चुनौती का समाधान करता है।