基于深度学习(DL)图像重建模型中的不确定性定量对于基于重建图像的可靠临床决策至关重要。我们介绍了“ NPB-REC”,这是一种非参数完全贝叶斯的框架,用于从不足采样的“ K-Space”数据中进行MRI重建的不确定性评估。我们在训练阶段使用随机梯度Langevin动力学(SGLD)来表征网络权重的后验分布。与基线E2E-VARNET相比,我们在Multi-Coil Brain MRI数据集上展示了我们在多线圈脑MRI数据集上的附加价值。我们的实验表明,NPB-Rec通过重建精度优于基线(PSNR和SSIM $ 34.55 $,$ 0.908 $ vs. $ 33.08 $,$ 0.897 $,$ P <0.01 $)的高加速度($ R = 8 $) 。这也在临床注释区域中进行了衡量。更重要的是,与蒙特 - 卡洛推理时间辍学方法相比,它提供了与重建误差相关的不确定性(Pearson相关系数$ r = 0.94 $ vs. $ r = 0.91 $)的不确定性。所提出的方法具有促进基于DL的方法从未采样数据的MRI重建方法的安全利用。 \ url {https://github.com/samahkh/npb-rec}提供了代码和训练有素的模型。
translated by 谷歌翻译