Reconstrução de imagem baseada em aprendizado profundo com dados limitados: gerando dados brutos sintéticos usando aprendizado profundo

Resumo O aprendizado profundo demonstrou grande potencial para a reconstrução rápida de aquisições de RM aceleradas, aprendendo a partir de grandes quantidades de dados brutos. No entanto, os dados brutos nem sempre estão disponíveis em quantidades suficientes. Este estudo investiga a geração de dados sintéticos para complementar conjuntos de dados pequenos e melhorar a qualidade da reconstrução. Materiais e métodos Um codificador adversarial foi treinado para gerar mapas de fase e sensibilidade da bobina a partir de imagens de magnitude, que foram combinadas em dados brutos sintéticos. Em uma tarefa de reconstrução de RM acelerada em quatro vezes, redes de reconstrução baseadas em aprendizado profundo foram treinadas com diferentes quantidades de dados de treinamento (20 a 160 varreduras). O desempenho do conjunto de teste foi comparado entre experimentos de base e experimentos que incorporaram dados de treinamento sintéticos. Resultados O treinamento com dados brutos sintéticos mostrou a diminuição de erros de reconstrução com o aumento da quantidade de dados de treinamento, mas, importante, estes eram dados apenas de magnitude, e não dados brutos reais. Para conjuntos de treinamento pequenos, o treinamento com dados sintéticos diminuiu o erro absoluto médio (MAE) em até 7,5%, enquanto para conjuntos de treinamento maiores o MAE aumentou em até 2,6%. Discussão A geração de dados brutos sintéticos melhorou a qualidade da reconstrução em cenários com dados de treinamento limitados. Uma grande vantagem da geração de dados sintéticos é que permite a reutilização de conjuntos de dados apenas de magnitude, que estão mais prontamente disponíveis do que conjuntos de dados brutos.