MOST: MR reconstruction Optimization for multiple downStream Tasks via continual learning
Created by
Haebom
저자
Hwihun Jeong, Se Young Chun, Jongho Lee
개요
본 논문은 심층 학습 기반 자기 공명 영상(MR) 재구성 방법이 고품질 이미지 생성에 초점을 맞추는 반면, 재구성된 이미지를 활용하는 후속 작업(예: 분할)에 미치는 영향은 종종 간과한다는 점을 지적합니다. 별도로 훈련된 재구성 네트워크와 후속 작업 네트워크를 연결하는 방식은 오류 전파와 훈련 데이터셋 간의 도메인 격차로 인해 성능 저하를 초래하는 것으로 나타났습니다. 이 문제를 완화하기 위해 단일 후속 작업을 위한 후속 작업 지향적 재구성 최적화가 제안되었습니다. 이 최적화를 다중 작업 시나리오로 확장하는 것은 간단하지 않습니다. 본 연구에서는 이 최적화를 순차적으로 도입된 여러 후속 작업으로 확장하고, 지속적 학습(MOST)을 통해 단일 MR 재구성 네트워크를 여러 후속 작업에 대해 최적화할 수 있음을 보여줍니다. MOST는 재생 기반 지속적 학습과 이미지 유도 손실 기술을 통합하여 치명적인 망각을 극복합니다. 비교 실험을 통해 MOST가 미세 조정이 없는 재구성 네트워크, 단순 미세 조정을 적용한 재구성 네트워크 및 기존 지속적 학습 방법보다 우수한 성능을 보임을 입증했습니다. 소스 코드는 https://github.com/SNU-LIST/MOST 에서 이용 가능합니다.
