ADMM-Net：一种用于压缩感知MRI的深度学习方法
计算机视觉与模式识别
2017-05-22 v1
摘要
压缩感知（CS）是快速磁共振成像（MRI）的一种有效方法。它旨在从k空间中少量欠采样数据重建MR图像，并加速MRI中的数据采集。为了在重建精度和速度上改进当前的MRI系统，在本文中，我们提出了两种被称为ADMM-Nets的新型深度架构，包含基本版本和广义版本。ADMM-Nets在数据流图上定义，这些数据流图源自用于优化基于CS的一般MRI模型的交替方向乘子法（ADMM）算法中的迭代过程。它们将采样的k空间数据作为输入，并输出重建的MR图像。此外，我们扩展了网络以处理复值MR图像。在训练阶段，网络的所有参数（如变换、收缩函数等）均以端到端的方式进行判别性训练。在测试阶段，它们具有与ADMM算法相似的计算开销，但使用从数据中学习到的优化参数来执行基于CS的重建任务。我们研究了网络结构的不同配置，并在不同采样率下对MR图像重建进行了大量实验。由于结合了基于模型的方法和深度学习方法的优势，ADMM-Nets以快速的计算速度实现了SOTA的重建精度。
引用
@article{arxiv.1705.06869,
title = {ADMM-Net: A Deep Learning Approach for Compressive Sensing MRI},
author = {Yan Yang and Jian Sun and Huibin Li and Zongben Xu},
journal= {arXiv preprint arXiv:1705.06869},
year = {2017}
}