面向压缩感知自动 MRI 的深度生成对抗网络
计算机视觉与模式识别
2017-06-02 v1 机器学习
机器学习
摘要
磁共振图像（MRI）重建是一个严重不适定的线性逆问题，需要耗费大量时间和计算资源，在实时成像中往往需要在准确度与速度之间做出显著权衡。此外，当前最先进的压缩感知（CS）分析方法并未考虑图像的诊断质量。为应对这些挑战，我们提出了一种新颖的 CS 框架，该框架利用生成对抗网络（GAN）的优势，从历史患者数据中训练出诊断质量 MR 图像的（低维）流形。借助最小二乘（LS）GAN 与逐像素 ℓ1 代价的混合，一个带有跳跃连接的深度残差网络被训练为生成器，通过学习将图像投影到该流形上来消除混叠伪影。LSGAN 学习纹理细节，而 ℓ1 控制高频噪声。随后，基于诊断质量图像联合训练一个多层卷积神经网络，以判别投影质量。测试阶段仅需在生成器网络上执行前馈传播，计算开销极低。我们在一个大型儿科患者对比增强 MR 数据集上进行了广泛评估。特别是，基于放射科专家评分的图像证实，与传统 CS 和逐像素方案相比，GANCS 能够恢复出具有精细纹理的高对比度图像。此外，它能在几毫秒内完成重建，比最先进的 CS-MRI 方案快两个数量级。
引用
@article{arxiv.1706.00051,
title = {Deep Generative Adversarial Networks for Compressed Sensing Automates MRI},
author = {Morteza Mardani and Enhao Gong and Joseph Y. Cheng and Shreyas Vasanawala and Greg Zaharchuk and Marcus Alley and Neil Thakur and Song Han and William Dally and John M. Pauly and Lei Xing},
journal= {arXiv preprint arXiv:1706.00051},
year = {2017}
}