7、医学图像重建中的机器学习方法

医学图像重建中的机器学习方法

1. 迭代重建方法

KIKI - net 提出在 k 空间和图像域进行迭代更新，两者都通过卷积神经网络（CNNs）进行训练，并设有中间数据一致性层。基于模型的展开迭代方法定义通用，当前向和伴随算子 A 和 A∗ 已知时，便于适应新模型，每次迭代都能确保与测量数据 y 的一致性。

不过，医学图像重建中部分算子（如 PAT）的复杂性，使得端到端训练整个算法不可行。此时，算法需逐次贪婪训练，尽管端到端训练可提升性能，但要在可处理的计算时间和输出质量间权衡。若每次迭代的参数不同，模型对训练数据的适应性更强。特殊的循环架构能跨迭代共享权重，并通过记忆状态变量在迭代过程中传递信息，大幅减少参数数量，同时保持灵活性。

2. 图像和数据增强的深度学习方法

与迭代重建方法不同，增强方法不包含物理模型，可在数据域进行预处理（y∗ = fθ(y)）或在图像域进行后处理（x∗ = fθ(x0)）。
- 预处理 ：在增强后的测量数据 y∗ 上进行重建。
- 后处理 ：先重建初始解 x0，再进行增强得到 x∗。

这种方法训练高效，无需考虑常需大量时间进行数值评估的物理模型。但缺点是网络架构只能处理初始猜测和训练数据中提取的信息，后处理方法无法保持与测量原始数据的一致性。后处理算法主要用于图像去噪、去除伪影和图像超分辨率等。

2.1 MR 成像应用

• U - net 架构重建 ：使用 U - net 架构从别名单线圈图像重建 MR 图像，并扩展到 3