动态 MR 成像中的深度低秩先验
图像与视频处理
2020-07-29 v4 计算机视觉与模式识别
摘要
深度学习方法在动态 MR 电影成像中取得了诱人的性能。然而，所有这些方法仅由 MR 图像的稀疏先验驱动，而动态 MR 电影图像重要的低秩先验尚未被探索，这限制了动态 MR 重建的进一步提升。在本文中，我们提出了一种学习型奇异值阈值化操作，以在动态 MR 成像中探索深度低秩先验，从而获得改进的重建结果。具体而言，我们分别以展开方式和即插即用方式提出了两种新颖且不同的方案，将可学习的低秩先验引入深度网络架构。在展开方式中，我们提出了一种用于动态 MR 成像的基于模型的展开稀疏与低秩网络，称为 SLR-Net。SLR-Net 定义在深度网络流图上，由用于优化基于稀疏与低秩的动态 MRI 模型的迭代收缩阈值算法中的迭代过程展开而来。在即插即用方式中，我们提出了一个即插即用的低秩网络模块，可以轻松嵌入任何其他动态 MR 神经网络而不改变网络范式。实验结果表明，这两种方案在定性和定量上均能进一步改进现有最先进的压缩感知方法（如 k-t SLR）以及由稀疏性驱动的深度学习方法（如 DC-CNN 和 CRNN）。
引用
@article{arxiv.2006.12090,
title = {Deep Low-rank Prior in Dynamic MR Imaging},
author = {Ziwen Ke and Wenqi Huang and Jing Cheng and Zhuoxu Cui and Sen Jia and Haifeng Wang and Xin Liu and Hairong Zheng and Leslie Ying and Yanjie Zhu and Dong Liang},
journal= {arXiv preprint arXiv:2006.12090},
year = {2020}
}
备注
10 pages, 8 figures