基于神经近端梯度迭代的压缩 MR 指纹重建
图像与视频处理
2020-07-07 v3 计算机视觉与模式识别
摘要
预测结果相对于物理前向模型的一致性是可靠求解逆问题的关键。在当前针对磁共振指纹（MRF）问题提出的端到端深度学习方法中，这种一致性大多未被控制。为此，我们提出 ProxNet，一种将前向采集与 Bloch 动力学模型直接嵌入循环学习机制的近端梯度下降学习框架。ProxNet 采用紧凑的神经近端模型进行去混叠与定量推断，可灵活地在稀缺的 MRF 训练数据集上训练。数值实验表明，ProxNet 相较近期深度学习 MRF 基线可达到更优的定量推断精度、更小的存储需求与相近的运行时间，同时远快于字典匹配方案。代码已发布于 https://github.com/edongdongchen/PGD-Net。
引用
@article{arxiv.2006.15271,
title = {Compressive MR Fingerprinting reconstruction with Neural Proximal Gradient iterations},
author = {Dongdong Chen and Mike E. Davies and Mohammad Golbabaee},
journal= {arXiv preprint arXiv:2006.15271},
year = {2020}
}
备注
To appear in MICCAI 2020