CRDN：具有边缘增强损失约束的级联残差密集网络用于动态MR成像
计算机视觉与模式识别
2019-01-21 v1
摘要
动态磁共振（MR）成像因能为临床诊断提供空间和时间信息而引起了极大的研究兴趣。然而，成像速度慢或扫描时间长仍是动态MR成像的挑战之一。大多数现有方法在压缩感知（CS）或低秩理论指导下从不完全k空间数据重建动态MR图像，其存在迭代重建时间长的缺点。近来，深度学习在加速动态MR方面展现出巨大潜力。我们之前的工作提出了一种通过多监督网络训练整合k空间与空间先验知识的动态MR成像方法。然而，在高加速因子下重建图像仍存在一定程度的平滑。在本工作中，我们提出具有边缘增强损失约束的级联残差密集网络用于动态MR成像，称为CRDN。具体而言，级联残差密集网络通过局部和全局特征融合充分利用了所有卷积层的层次特征。我们进一步利用具有边缘增强特性的全变分（TV）损失函数来训练网络。
引用
@article{arxiv.1901.06111,
title = {CRDN: Cascaded Residual Dense Networks for Dynamic MR Imaging with Edge-enhanced Loss Constraint},
author = {Ziwen Ke and Shanshan Wang and Huitao Cheng and Leslie Ying and Qiegen Liu and Hairong Zheng and Dong Liang},
journal= {arXiv preprint arXiv:1901.06111},
year = {2019}
}