用于压缩感知 MRI 的深度误差校正网络
计算机视觉与模式识别
2018-03-26 v1
摘要
用于磁共振成像的压缩感知（CS-MRI）利用图像稀疏性性质，从极少的 Fourier k 空间测量中重建 MRI。目标是最小化重建中的任何结构误差，这些误差可能对其诊断质量产生负面影响。为此，我们提出了一种用于 CS-MRI 的深度误差校正网络（DECN）。DECN 模型由三部分组成，我们将其称为模块：引导（或模板）模块、误差校正模块和数据保真模块。现有的 CS-MRI 算法可以作为模板模块来引导重建。以该模板为引导，误差校正模块学习一个卷积神经网络（CNN），以调整模板图像重建误差的方式映射 k 空间数据。我们的实验结果表明，通过补充一个误差校正 CNN，所提出的 DECN CS-MRI 重建框架可以显著改进现有的反演算法。
引用
@article{arxiv.1803.08763,
title = {A Deep Error Correction Network for Compressed Sensing MRI},
author = {Liyan Sun and Zhiwen Fan and Yue Huang and Xinghao Ding and John Paisley},
journal= {arXiv preprint arXiv:1803.08763},
year = {2018}
}
备注
7 pages, 7 figures, 2 tables