基于生成对抗网络的心脏磁共振运动伪影校正
计算机视觉与模式识别
2019-03-01 v1 机器学习
摘要
心脏磁共振(CMR)在心血管疾病的诊断与治疗中发挥着重要作用,而在 CMR 扫描过程中形成的运动伪影严重影响医生定位确切病灶。当前的校正方法主要聚焦于 K 空间(即由 MR 信号直接获得的原始数据网格,再通过逆傅里叶变换转为 CMR 图像),它们既无效又低效,无法用于临床。本文提出一种基于深度学习的 CMR 运动伪影校正新方法。具体而言,我们采用深度残差网络(ResNet)作为网络框架,并以对抗方式训练模型。我们的方法受图像运动模糊与 CMR 运动伪影之间联系的启发,从而能够将深度学习已取得巨大进展的运动去模糊方法成功迁移至 CMR 运动校正。为评估运动伪影校正方法,我们提出一种关于去模糊算法如何改善边缘检测结果的新算法。在深度学习与对抗训练算法的推动下,我们的模型可以端到端方式训练,能够实时测试,并在 CMR 校正上取得最先进(state-of-the-art)结果。
引用
@article{arxiv.1902.11121,
title = {CMR motion artifact correction using generative adversarial nets},
author = {Yunxuan Zhang and Weiliang Zhang and Qinyan Zhang and Jijiang Yang and Xiuyu Chen and Shihua Zhao},
journal= {arXiv preprint arXiv:1902.11121},
year = {2019}
}
备注
6 pages, 7 figures