DC-WCNN：一种用于MR图像重建的小波卷积神经网络深度级联模型
图像与视频处理
2020-01-09 v1 计算机视觉与模式识别
摘要
为实现磁共振（MR）图像重建，已开发出多种卷积神经网络（CNN）变体。其中，U-Net已被证明是MR图像重建的基线架构。然而，其池化层执行下采样，导致信息丢失，进而造成重建图像模糊并缺失精细细节。我们提出对U-Net架构进行修改以恢复精细结构。所提网络是一种基于小波包变换、带残差学习的编码器-解码器CNN，称为WCNN。所提WCNN以离散小波变换替代池化层，以逆小波变换替代反池化层，并包含残差连接。我们还提出了一种深度级联框架（DC-WCNN），其由WCNN与k空间数据保真单元的级联构成，以实现高质量MR重建。实验结果表明，与其他方法相比，WCNN和DC-WCNN在评价指标上取得了有前景的结果，并更好地恢复了精细细节。
引用
@article{arxiv.2001.02397,
title = {DC-WCNN: A deep cascade of wavelet based convolutional neural networks for MR Image Reconstruction},
author = {Sriprabha Ramanarayanan and Balamurali Murugesan and Keerthi Ram and Mohanasankar Sivaprakasam},
journal= {arXiv preprint arXiv:2001.02397},
year = {2020}
}
备注
Accepted in ISBI 2020