用于深度学习加速 MRI 的密集互连网络
图像与视频处理
2023-05-23 v2 计算机视觉与模式识别
摘要
目的：通过密集连接的级联深度学习重建框架改进加速 MRI 重建。材料与方法：对级联深度学习重建框架（基线模型）施加三种结构修改：级联输入与输出间的输入级密集连接、改进型深度学习子网络，以及后续深度学习网络间的长程跳跃连接。进行了消融研究，在 NYU fastMRI 神经数据集上以端到端方案结合四倍与八倍加速训练了五种模型配置。通过比较各自的结构相似性指数测度（SSIM）、归一化均方误差（NMSE）与峰值信噪比（PSNR）评估所训练模型。结果：所提出的利用全部三种修改的密集互连残差级联网络（DIRCN）在四倍与八倍加速下分别实现了 8% 与 11% 的 SSIM 提升。对于八倍加速，该模型相较基线模型实现了 NMSE 降低 23%。在消融研究中，各单独结构修改均有贡献，在四倍加速下分别使 SSIM 与 NMSE 降低约 3% 与 5%。结论：所提结构修改可对已有级联框架进行简单调整，以进一步改进所得重建结果。
引用
@article{arxiv.2207.02073,
title = {A Densely Interconnected Network for Deep Learning Accelerated MRI},
author = {Jon Andre Ottesen and Matthan W. A. Caan and Inge Rasmus Groote and Atle Bjørnerud},
journal= {arXiv preprint arXiv:2207.02073},
year = {2023}
}