基于优化的元学习模型用于多样化数据集的 MRI 重建
计算机视觉与模式识别
2021-10-05 v1 最优化与控制
摘要
目的：本工作旨在元学习框架中开发可泛化的 MRI 重建模型。元学习中的标准基准受到在多样化任务分布上学习的挑战。所提网络学习变分模型中的正则化函数，并通过利用异构数据集，以各种欠采样比或模式（可能在训练数据中见过或未见）重建 MR 图像。方法：我们提出由可学习优化算法（LOA）导出的展开网络，用于求解我们用于 MRI 重建的非凸非光滑变分模型。该模型中，可学习正则化函数包含任务不变公共特征编码器和由浅层网络表示的任务特定学习器。为训练网络，我们将训练数据分为两部分：训练集与验证集，并引入双层优化算法。下层优化在训练集上以固定的任务特定学习器参数训练特征编码器的任务不变参数，上层在验证集上优化任务特定学习器的参数。结果：与通过常规监督学习在已见 CS 比率上训练的网络相比，平均 PSNR 显著提升。我们在元训练后测试了在未见任务上的快速适配结果，同时节省了半数训练时间；结论：我们提出了由基础网络架构、正则化设计和基于双层优化的训练组成的元学习框架。该网络继承了 LOA 的收敛性与变分模型的可解释性。泛化能力通过指定的正则化和基于双层优化的训练算法得到提升。
引用
@article{arxiv.2110.00715,
title = {An Optimization-Based Meta-Learning Model for MRI Reconstruction with Diverse Dataset},
author = {Wanyu Bian and Yunmei Chen and Xiaojing Ye and Qingchao Zhang},
journal= {arXiv preprint arXiv:2110.00715},
year = {2021}
}
备注
27 pages