त्वरित MRI पुनर्निर्माण के लिए अनुकूली स्व-सुपरविज्ञानी निरंतरता- मार्गदर्शित विसरण मॉडल

उद्देश्य: पूरी तरह से नमूना लिए गए डेटासेट की आवश्यकता के बिना डेटा अधिग्रहण को गति देने के लिए "अनुकूली स्व-सुपरविज्ञानी निरंतरता-मार्गदर्शित विसरण मॉडल (ASSCGD)" नामक एक स्व-सुपरविज्ञानी गहरे सीखने-आधारित संकुचन संवेदन MRI (DL-आधारित CS-MRI) विधि का प्रस्ताव करना। सामग्री और विधियाँ: हमने 1,376 मामलों से तेजMRI बहु-कोइल मस्तिष्क अक्षीय T2-भारित (T2-w) डेटासेट और 318 मामलों से एकल-कोइल मस्तिष्क मात्रात्मक चुम्बकीय तैयारी 2 त्वरित अधिग्रहण ग्रेडिएंट इकोस (MP2RAGE) T1 मानचित्र का उपयोग करके अपने मॉडल को प्रशिक्षित और परीक्षण किया। डोमेन परिवर्तन के खिलाफ मजबूती का मूल्यांकन दो आउट-ऑफ-डिस्ट्रिब्यूशन (OOD) डेटासेट का उपयोग करके किया गया: बहु-कोइल मस्तिष्क अक्षीय पोस्टकॉन्ट्रास्ट T1 -भारित (T1c) डेटासेट 50 मामलों से और अक्षीय T1-भारित (T1-w) डेटासेट 50 मरीजों से। डेटा को 2x, 4x, 8x के त्वरक दरों पर पूर्व-संक्षिप्त किया गया। ASSCGD एक यादृच्छिक नमूना पैटर्न को दो अलग सेटों में विभाजित करता है, सुनिश्चित करता है कि प्रशिक्षण के दौरान डेटा की निरंतरता बनी रहे। हमने अपने तरीके की तुलना ReconFormer ट्रांसफार्मर और SS-MRI के साथ की, प्रदर्शन का मूल्यांकन सामान्यीकृत औसत वर्ग त्रुटि (NMSE), पीक सिग्नल-टू-नॉइज़ अनुपात (PSNR), और संरचनात्मक समानता सूचकांक (SSIM) का उपयोग करके किया। सांख्यिकी परीक्षणों में एक-मार्गीय विभिन्नता का विश्लेषण (ANOVA) और बहु-तुलना टुकी के ईमानदार महत्वपूर्ण अंतर (HSD) परीक्षण शामिल थे। परिणाम: ASSCGD ने R = 8x पर बहु-कोइल और एकल-कोइल डेटासेट दोनों के लिए तुलनात्मक तरीकों की तुलना में दृश्य रूप से बेहतर महीन संरचनाएँ और मस्तिष्क की असामान्यताएँ बनाए रखीं। इसने R = 4x, 8x पर NMSE में सबसे कम और बहु-कोइल डेटासेट के लिए सभी त्वरक दरों पर सबसे उच्च PSNR और SSIM मान प्राप्त किए। एकल-कोइल डेटासेट के लिए समान प्रवृत्तियाँ देखी गईं, हालाँकि SSIM मान R = 2x, 8x पर ReconFormer के साथ तुलनीय थे। इन परिणामों की और पुष्टिकरण वोक्सेल-वार सहसंबंध बिखराव प्लॉट्स द्वारा की गई। OOD परिणामों ने पुनर्निर्माण के बाद अध-नमूना लिए गए छवि गुणवत्ता में महत्वपूर्ण (p << 10^-5) सुधार दिखाया।