CAMP-Net：用于加速 MRI 重建的一致性感知多先验网络
图像与视频处理
2024-01-17 v3 计算机视觉与模式识别
摘要
MRI 中对 k 空间数据的欠采样减少了扫描时间，但给图像重建带来挑战。在加速 MRI 重建方面已取得可观进展。然而，高度欠采样数据中高频图像细节的恢复仍具挑战性。为解决此问题，我们提出 CAMP-Net，一种基于展开的一致性感知多先验网络，用于加速 MRI 重建。CAMP-Net 利用来自不同域的互补多先验知识和多切片信息来提升重建质量。具体而言，CAMP-Net 分别由用于图像增强、k 空间恢复和校准一致性的三个交错模块组成。这些模块在每次展开迭代中以数据驱动的方式分别从图像域、k 域和校准区域学习先验。值得注意的是，从自动校准信号中提取的编码校准先验知识隐式地引导一致性感知 k 空间相关性的学习，以可靠地插值缺失的 k 空间数据。为最大化图像域和 k 域先验知识的益处，重建结果在频率融合模块中聚合，利用其互补特性优化伪影去除与精细细节保留之间的权衡。此外，我们在 k 域和校准域先验的学习过程中加入表面数据保真层，以防止由填充引起的数据缺陷导致重建退化。我们在三个具有不同加速因子和采样模式的大型公开数据集上评估了方法的泛化性与鲁棒性。实验结果表明，我们的方法在重建质量和 映射估计方面均优于最先进的方法，尤其在高速率加速因子场景下。
引用
@article{arxiv.2306.11238,
title = {CAMP-Net: Consistency-Aware Multi-Prior Network for Accelerated MRI Reconstruction},
author = {Liping Zhang and Xiaobo Li and Weitian Chen},
journal= {arXiv preprint arXiv:2306.11238},
year = {2024}
}