3d-SMRnet：通过深度学习实现MPI系统矩阵恢复的新质量
图像与视频处理
2019-05-09 v1 计算机视觉与模式识别
机器学习
机器学习
摘要
磁粒子成像（MPI）数据通常使用在耗时的校准测量中获取的系统矩阵进行重建。相较于基于模型的重建，该校准方法的重要优势在于它考虑了复杂的粒子物理特性以及系统不完善性。这一好处付出的代价是，每当扫描参数、粒子类型甚至粒子环境（如黏度或温度）发生变化时，系统矩阵都需要重新校准。减少校准时间的一条途径是在预期视场空间位置的子集上采样系统矩阵，并采用系统矩阵恢复。近期方法使用压缩感知（CS）实现了高达28的欠采样因子，仍允许重建出足够质量的MPI图像。在本工作中，我们提出一种带有三维系统矩阵恢复网络（3d-System Matrix Recovery Network）的新框架，并证明其能在不到一分钟内以64的欠采样因子恢复三维系统矩阵，且在系统矩阵质量、重建图像质量和处理时间上优于CS。我们通过重建开放获取的MPI数据集展示了方法的优势。该模型还被证明能够推断不同粒子类型的系统矩阵。
引用
@article{arxiv.1905.03026,
title = {3d-SMRnet: Achieving a new quality of MPI system matrix recovery by deep learning},
author = {Ivo Matteo Baltruschat and Patryk Szwargulski and Florian Griese and Mirco Grosser and René Werner and Tobias Knopp},
journal= {arXiv preprint arXiv:1905.03026},
year = {2019}
}