Deep J-Sense：基于展开交替优化的加速 MRI 重建
信号处理
2021-04-13 v3 机器学习
摘要
将压缩感知与深度学习相结合的加速多线圈磁共振成像重建近期取得了显著进展。然而，此类方法大多依赖于线圈灵敏度分布的估计，或依赖于用于估计模型参数的校准数据。已有工作表明，当这些估计器质量较差或扫描参数与训练条件不同时，这些方法性能会下降。本文引入 Deep J-Sense 作为一种基于展开交替最小化并提升鲁棒性的深度学习方法：我们的算法同时优化磁化（图像）核与线圈灵敏度图。在 knee fastMRI 数据集子集上的实验结果表明，这提升了重建性能，并对变化的加速因子与校准区域大小提供了显著的鲁棒性。
引用
@article{arxiv.2103.02087,
title = {Deep J-Sense: Accelerated MRI Reconstruction via Unrolled Alternating Optimization},
author = {Marius Arvinte and Sriram Vishwanath and Ahmed H. Tewfik and Jonathan I. Tamir},
journal= {arXiv preprint arXiv:2103.02087},
year = {2021}
}