面向快速压缩感知 MRI 的深度去混叠
计算机视觉与模式识别
2017-05-23 v1
摘要
快速磁共振成像（Magnetic Resonance Imaging, MRI）在众多临床应用中需求极高，以降低扫描成本并改善患者体验。这还可能通过减少运动伪影和对比度消退来提升图像质量。然而，一旦选定图像视野和所需分辨率，最短扫描时间通常由获取足够原始数据以满足奈奎斯特-香农采样准则的要求决定。压缩感知（Compressive Sensing, CS）理论与 MRI 扫描序列设计完美契合，所需原始数据远少于图像重建。受深度学习在求解各类逆问题方面最新进展的启发，我们提出了一种基于条件生成对抗网络（Generative Adversarial Networks）的深度学习框架，用于从高度欠采样数据中去混叠并重建 MRI 图像，有望极大加速数据采集过程。通过将创新的内容损失与对抗损失相结合，我们的去混叠结果更加逼真。此外，我们提出了一种用于训练生成器网络的精炼学习过程，可稳定训练，实现快速收敛并减少参数调优。我们证明，所提出的框架在重建误差和感知图像质量方面均优于当前最先进的 CS-MRI 方法。此外，我们的方法可在 0.22ms 至 0.37ms 内重建每幅图像，有望用于实时应用。
引用
@article{arxiv.1705.07137,
title = {Deep De-Aliasing for Fast Compressive Sensing MRI},
author = {Simiao Yu and Hao Dong and Guang Yang and Greg Slabaugh and Pier Luigi Dragotti and Xujiong Ye and Fangde Liu and Simon Arridge and Jennifer Keegan and David Firmin and Yike Guo},
journal= {arXiv preprint arXiv:1705.07137},
year = {2017}
}
备注
15 pages, 5 figures