用于局部与全局学习的 MRI 重建对比学习
图像与视频处理
2021-12-01 v1 计算机视觉与模式识别
摘要
磁共振成像（MRI）是一种重要的医学成像模态，但其采集时间较长。为缩短采集时间，已提出多种方法。然而，这些方法未能重建出结构清晰的图像，主要有两个原因。首先，MR 图像中广泛存在相似块，而以往大多数基于深度学习的方法忽略此特性，仅采用 CNN 学习局部信息。其次，现有方法仅使用清晰图像约束解空间的上界，而下界未被约束，从而无法获得更优的网络参数。为解决这些问题，我们提出用于局部与全局学习的 MRI 重建对比学习网络（CLGNet）。具体而言，根据傅里叶理论，傅里叶域中每个值均由空间域所有值计算而来。因此，我们提出空间与傅里叶层（SFL）以同时在空间域与傅里叶域学习局部与全局信息。此外，与自注意力及 transformer 相比，SFL 具有更强的学习能力，且能在更短时间内取得更优性能。基于 SFL，我们设计了空间与傅里叶残差块作为模型的主要组件。同时，为约束解空间的下界与上界，我们引入对比学习，可将结果拉向清晰图像并推离欠采样图像。在不同数据集与加速率上的大量实验结果表明，所提 CLGNet 取得了新的 SOTA 结果。
引用
@article{arxiv.2111.15200,
title = {Contrastive Learning for Local and Global Learning MRI Reconstruction},
author = {Qiaosi Yi and Jinhao Liu and Le Hu and Faming Fang and Guixu Zhang},
journal= {arXiv preprint arXiv:2111.15200},
year = {2021}
}