基于幅度与相位网络的深度残差学习用于加速 MRI
计算机视觉与模式识别
2018-04-03 v1 人工智能
机器学习
机器学习
摘要
利用压缩感知(CS)与并行成像的加速磁共振(MR)扫描采集是减少 MR 成像扫描时间的强有力方法。然而，许多重建算法计算代价高昂。为此，我们研究深度残差学习网络以去除受伪影污染图像中的混叠伪影。所提出的深度残差学习网络由分别训练的幅度网络与相位网络组成。若相位与幅度信息均可用，该算法可作为使用 framelet 表示的迭代 k 空间插值算法工作。当仅有幅度数据可用时，该方法作为图像域后处理算法工作。即便存在强相干混叠伪影，所提网络仍成功学习并去除了混叠伪影，而现有并行与 CS 重建方法无法去除这些伪影。使用单线圈与多线圈的对比表明，所提残差网络提供了良好的重建结果，且计算时间比现有压缩感知方法快数个数量级。所提出的深度学习框架通过即时生成准确结果，在加速 MR 重建方面具有巨大潜力。
引用
@article{arxiv.1804.00432,
title = {Deep Residual Learning for Accelerated MRI using Magnitude and Phase Networks},
author = {Dongwook Lee and Jaejun Yoo and Sungho Tak and Jong Chul Ye},
journal= {arXiv preprint arXiv:1804.00432},
year = {2018}
}
备注
This paper will appear in IEEE Trans. Biomedical Engineering, Special Section on Deep Learning