一种用于压缩感知 MRI 的分割感知深度融合网络
计算机视觉与模式识别
2018-04-05 v1
摘要
压缩感知 MRI 是计算成像领域的经典逆问题，通过测量更少的 k 空间数据来加速 MR 成像。与基于“浅层”优化的方法相比，深度神经网络模型提供了更强的表示能力和更快的重建速度。然而，在现有的基于深度的 CS-MRI 模型中，来自 MRI 数据集中大量分割标签的高层语义监督信息被忽视了。本文提出了一种称为 SADFN 的分割感知深度融合网络用于压缩感知 MRI。这里引入多层特征聚合（MLFA）方法来融合分割网络中不同层的所有特征。然后，包含语义信息的聚合特征图通过特征融合策略提供给重建网络中的每一层。这保证了重建网络能感知其重建图像中的不同区域，简化了函数映射。我们通过对比研究证明了跨层与跨任务信息融合策略的效用。在脑分割基准 MRBrainS 上的大量实验验证了所提出的 SADFN 模型在压缩感知 MRI 中达到了最先进的精度。本文提供了一种利用来自中高层任务的信息来引导低层视觉任务的新途径。
引用
@article{arxiv.1804.01210,
title = {A Segmentation-aware Deep Fusion Network for Compressed Sensing MRI},
author = {Zhiwen Fan and Liyan Sun and Xinghao Ding and Yue Huang and Congbo Cai and John Paisley},
journal= {arXiv preprint arXiv:1804.01210},
year = {2018}
}