使基于模型的深度学习适应多种采集条件：Ada-MoDL
图像与视频处理
2023-04-25 v1 计算机视觉与模式识别
机器学习
摘要
目的：本工作的目标是引入单一的基于模型的深度网络，能够从以多种序列、采集设置和场强获取的下采样并行 MRI 数据中提供高质量重建。方法：引入了一种单一展开架构，可为多种采集设置提供良好重建。所提方案通过使用适当权重对 CNN 特征和正则化参数进行缩放，使模型适应每种设置。缩放权重和正则化参数由多层感知机模型从表示特定采集设置的条件向量导出。感知机参数和 CNN 权重使用来自多种采集设置（包括场强、加速和对比度的差异）的数据联合训练。该条件网络使用以不同采集设置获取的数据集进行了验证。结果：对使用所有设置数据训练单一模型的自适应框架的比较表明，它可为每种采集条件提供持续改善的性能。将所提方案与为每种采集设置独立训练的网络进行比较表明，它所需的每采集设置训练数据更少即可提供良好性能。结论：Ada-MoDL 框架支持对多种采集设置使用单一基于模型的展开网络。除了消除为不同采集设置训练和存储多个网络的需要外，该方法还减少了每种采集设置所需的训练数据。
引用
@article{arxiv.2304.11238,
title = {Adapting model-based deep learning to multiple acquisition conditions: Ada-MoDL},
author = {Aniket Pramanik and Sampada Bhave and Saurav Sajib and Samir D. Sharma and Mathews Jacob},
journal= {arXiv preprint arXiv:2304.11238},
year = {2023}
}