用于压缩感知 MRI 的贝叶斯非参数字典学习
计算机视觉与模式识别
2015-06-15 v3 医学物理
应用统计
摘要
我们开发了一种贝叶斯非参数模型，用于从高度欠采样的 k 空间数据重建磁共振图像（MRI）。我们将字典学习作为图像重建过程的一部分。为此，我们使用 beta 过程作为非参数字典学习先验，将图像块表示为字典元素的稀疏组合。字典的大小和特定于图像块的稀疏模式与其他字典学习变量一起从数据中推断出来。字典学习直接在压缩图像上执行，因此是针对所考虑的 MRI 量身定制的。此外，我们研究了结合字典学习模型的全变分惩罚项，并展示了字典学习的去噪特性如何在噪声环境下消除对正则化参数的依赖。我们推导了一种基于马尔可夫链蒙特卡洛（MCMC）的随机优化算法用于该贝叶斯模型，并利用交替方向乘子法（ADMM）高效地执行全变分最小化。我们在多组 MRI 数据上展示了实证结果，表明所提出的正则化框架可以提高重建精度，优于其他方法。
引用
@article{arxiv.1302.2712,
title = {Bayesian Nonparametric Dictionary Learning for Compressed Sensing MRI},
author = {Yue Huang and John Paisley and Qin Lin and Xinghao Ding and Xueyang Fu and Xiao-ping Zhang},
journal= {arXiv preprint arXiv:1302.2712},
year = {2015}
}