用于动态 MR 成像的深度低秩加稀疏网络
图像与视频处理
2021-07-21 v3 计算机视觉与模式识别
机器学习
信号处理
摘要
在动态磁共振(MR)成像中,低秩加稀疏(L+S)分解,即鲁棒主成分分析(PCA),已取得令人惊叹的性能。然而,L+S 参数的选择是经验性的,且加速倍率有限,这是迭代压缩感知 MR 成像(CS-MRI)重建方法的常见缺陷。许多深度学习方法已被提出以解决这些问题,但其中很少利用低秩先验。本文提出一种基于模型的低秩加稀疏网络,称为 L+S-Net,用于动态 MR 重建。具体而言,我们采用交替线性化最小化方法来求解具有低秩和稀疏正则化的优化问题。引入学习型软奇异值阈值化以确保 L 分量与 S 分量的清晰分离。随后,将迭代步骤展开为一个网络,其中的正则化参数为可学习参数。我们证明所提出的 L+S-Net 在两个标准假设下实现全局收敛。在回顾性和前瞻性心脏电影数据集上的实验表明,该模型优于最先进的 CS 和现有深度学习方法,并具有在极高加速倍率(高达 24 倍)下的巨大潜力。
引用
@article{arxiv.2010.13677,
title = {Deep Low-rank plus Sparse Network for Dynamic MR Imaging},
author = {Wenqi Huang and Ziwen Ke and Zhuo-Xu Cui and Jing Cheng and Zhilang Qiu and Sen Jia and Leslie Ying and Yanjie Zhu and Dong Liang},
journal= {arXiv preprint arXiv:2010.13677},
year = {2021}
}