作者: Zi Wang
期刊/会议: Medical Image Analysis
年份: 2025
标签: Deep learning Synthetic data Image reconstruction Magnetic resonance imaging
核心贡献
- 提出用生成数据训练重建网络
- 实现多部位泛化重建
文章思路
本文的核心思路是通过生成数据训练网络，解决磁共振数据采集时间长，难以得到大量数据用于训练一个泛化重建网络的问题。核心问题是如何让生成数据具有磁共振数据的特征，即如何解决减少生成数据和真实数据之间的gap。
这样做的设想是，传统的重建方法是通过人为设置的先验作为解决反问题的正则项来约束重建，深度学习方法的一个重要分支也是把人为设置的先验换成深度学习先验。因此网络实际上学的是信号特征的表示空间（伪影不在这个空间内因此可以压制伪影），而不是信号本身的特征（信号本身的特征例如纹理特征和解剖结构）。所以可以用模拟磁共振信号特征的模拟数据代替真实数据训练重建网络，前提是模拟数据覆盖了真实数据的大部分特征。
对于这个设想，文章设计了一个简单的实验来验证，既然网络学习的是信号特征先验，那么可以直接让网络学习一些传统方法使用的简单先验，例如Total Variation (TV) 先验（picecwise constant）和稀疏先验（wavelet coefficient）。发现网络学习这两种先验也能够重建，并且重建结果表现出了使用这两种先验的重建方法的特征。因此设想成立，进一步通过在自然图像上模拟磁共振采样过程，来生成更加真实的图像。
然后说明所提方法，先介绍模拟图像生成的方法，然后介绍重建网络结构。
实验设计方面，可以分为对比实验部分和消融实验部分。对比实验包括4.4可替代性验证，这部分对比方法的训练数据和测试数据是匹配的；4.5多厂商多中心泛化验证，这部分测试训练集和测试集不匹配的情况下的重建结果；4.7更多方法对比，加入了更多重建方法。消融实验包括4.3机制分析，用可视化说明合成数据训练为什么有效；4.8网络模块的消融实验
方法概述
实验设置
结果分析
个人思考
- 可借鉴的点：先说明所提方法的假设，然后用最简单的实验证明假设，再进行后续的实验设计
- 存在的问题：
- 与我研究的关联：和我现在做的方法都是用模拟数据训练网络，但是我的方法数据是有明确的信号公式的，而本文的模拟数据没有明确的信号公式，只能通过先验或者模拟采样过程来生成模拟数据。因此我现在做的方法模拟数据更简单。
- 我的理解程度：
⭐️⭐️⭐️