一种具有理论保证的鲁棒压缩感知 MRI 深度优化框架
计算机视觉与模式识别
2018-11-14 v3
摘要
磁共振成像（MRI）是临床应用中最具活力且最安全的成像技术之一。然而，MRI 采集速度相当慢，限制了患者吞吐量与潜在指征。压缩感知（CS）已被证明是加速 MRI 采集的有效技术。最广泛使用的 CS-MRI 模型基于从不完整填充的 k 空间重建图像的前提，导致一个不适定逆问题。过去数年，人们为高效优化 CS-MRI 模型做出了大量努力。受深度学习技术启发，一些初步工作尝试将深度架构引入 CS-MRI 过程。遗憾的是，这些深度训练的优化方法仍存在收敛性问题（源于经验式网络）与鲁棒性不足（即缺乏真实噪声建模）。本文提出一种新范式，将设计的数值求解器与数据驱动架构集成用于 CS-MRI。通过引入最优性条件检查机制，我们成功证明了所建立的深度 CS-MRI 优化方案的收敛性。此外，我们显式地在本框架中建模 Rician 噪声分布，并获得扩展的 CS-MRI 网络以处理 MRI 过程中的真实噪声。大量实验结果验证，所提范式在重建精度、效率以及对真实场景噪声的鲁棒性上均优于现有 SOTA 技术。
引用
@article{arxiv.1811.03782,
title = {A Theoretically Guaranteed Deep Optimization Framework for Robust Compressive Sensing MRI},
author = {Risheng Liu and Yuxi Zhang and Shichao Cheng and Xin Fan and Zhongxuan Luo},
journal= {arXiv preprint arXiv:1811.03782},
year = {2018}
}