Aprendizado Semi-Supervisionado de Síntese de MRI Sem Verdades de Base Totalmente Amostradas

A tradução baseada em aprendizado entre contrastes de MRI envolve modelos profundos supervisionados treinados usando imagens de contraste de origem e destino de alta qualidade derivadas de aquisições totalmente amostradas, o que pode ser difícil de coletar sob limitações de custo ou tempo de escaneamento. Para facilitar a curadoria de conjuntos de treinamento, aqui introduzimos o primeiro modelo semi-supervisionado para tradução de contraste de MRI (ssGAN) que pode ser treinado diretamente usando dados de k-space subamostrados. Para permitir o aprendizado semi-supervisionado em dados subamostrados, o ssGAN introduz novas perdas de múltiplas bobinas nos domínios de imagem, k-space e adversarial. As perdas de múltiplas bobinas são aplicadas seletivamente em amostras de k-space adquiridas, ao contrário das perdas tradicionais em modelos de síntese de bobina única. Experimentos abrangentes em conjuntos de dados de MRI cerebral multi-contraste retrospectivamente subamostrados são fornecidos. Nossos resultados demonstram que o ssGAN apresenta desempenho equivalente a um modelo supervisionado, superando modelos de bobina única treinados em imagens de magnitude combinadas de bobinas. Ele também supera modelos de reconstrução-síntese em cascata, onde um modelo de síntese supervisionado é treinado após a reconstrução auto-supervisionada de dados subamostrados. Assim, o ssGAN possui grande potencial para melhorar a viabilidade da síntese de MRI multi-contraste baseada em aprendizado.