用于水脂分离的深层神经网络：监督训练、无监督训练与无训练
图像与视频处理
2020-04-20 v1 计算机视觉与模式识别
摘要
目的：使用深层神经网络（DNN）求解水脂分离的优化问题，并比较监督训练与无监督训练。方法：当前用于求解脂水分离的 T2*-IDEAL 算法依赖于初始化。近来，已有研究提出使用深层神经网络（DNN）进行脂水分离而无需合适的初始化。然而，该方法需要使用参考脂水分离图像对 DNN 进行监督训练（STD）。本文提出两种新颖的 DNN 水脂分离方法：1）在训练期间以物理正问题作为代价函数对 DNN 进行无监督训练（UTD）；2）利用物理代价与反向传播直接重建单一数据集的 DNN 无训练（NTD）。将 STD、UTD 和 NTD 方法与参考 T2*-IDEAL 进行比较。结果：在适当初始化下，所有 DNN 方法均生成与 T2*-IDEAL 一致且吻合良好的水脂分离结果。结论：水脂分离问题可使用无监督深层神经网络求解。
引用
@article{arxiv.2004.07923,
title = {Deep Neural Network (DNN) for Water/Fat Separation: Supervised Training, Unsupervised Training, and No Training},
author = {R. Jafari and P. Spincemaille and J. Zhang and T. D. Nguyen and M. R. Prince and X. Luo and J. Cho and D. Margolis and Y. Wang},
journal= {arXiv preprint arXiv:2004.07923},
year = {2020}
}
备注
19 pages, 5 figures