集成规范化模块的CS-MRI收敛深度框架
图像与视频处理
2019-10-30 v1 计算机视觉与模式识别
摘要
压缩感知磁共振成像（CS-MRI）以远低于奈奎斯特准则的采样率显著加速MR数据采集。CS-MRI的一大挑战在于求解严重不适定的逆问题，从稀疏k空间数据重建无混叠的MR图像。传统方法通常优化能量函数，产生高质量重建，但其迭代数值求解器不可避免地带来极慢的处理速度。近期数据驱动技术能够通过学习直接预测至最终重建或将学习模块插入能量优化器来提供快速恢复。然而，这些数据驱动预测器无法保证重建遵循传统方法正则化项背后的约束，因此其重建结果的可靠性存疑。在本文中，我们提出一种集成规范化模块的CS-MRI收敛深度框架，将学习策略与传统重建能量的迭代求解器相融合。该框架嵌入最优条件检查机制，促进\emph{高效}且\emph{可靠}的重建。我们还将该框架应用于两个实际任务，\emph{即}并行成像与含Rician噪声的重建。在基准图像和厂商测试图像上的大量实验表明，所提方法在各种场景下比最先进方法更高效地可靠收敛至最优解且更准确。
引用
@article{arxiv.1910.13046,
title = {Converged Deep Framework Assembling Principled Modules for CS-MRI},
author = {Risheng Liu and Yuxi Zhang and Shichao Cheng and Zhongxuan Luo and Xin Fan},
journal= {arXiv preprint arXiv:1910.13046},
year = {2019}
}