用于动态 MR 成像的深度展开收缩网络
图像与视频处理
2023-07-20 v1 计算机视觉与模式识别
机器学习
摘要
利用稀疏先验的深度展开网络在动态磁共振（MR）成像中取得了巨大成功。卷积神经网络（CNN）通常用于提取变换域，然后对 CNN 变换后的数据施加软阈值（ST）算子以强制稀疏先验。然而，ST 算子通常约束为在 CNN 变换数据的所有通道上相同。本文中，我们提出一种称为带通道注意力的软阈值（AST）的新算子，为每个通道学习阈值。特别地，我们通过展开交替方向乘子法（ADMM）来优化变换后的 范数动态 MR 重建模型，提出一种新颖的深度展开收缩网络（DUS-Net）。在公开动态心脏 cine MR 数据集上的实验结果表明，所提 DUS-Net 优于最先进的方法。源代码见 \url{https://github.com/yhao-z/DUS-Net}。
引用
@article{arxiv.2307.09818,
title = {Deep unrolling Shrinkage Network for Dynamic MR imaging},
author = {Yinghao Zhang and Xiaodi Li and Weihang Li and Yue Hu},
journal= {arXiv preprint arXiv:2307.09818},
year = {2023}
}
备注
5 pages,3 figures,2 tables