用于加速MRI的密集循环神经网络：优化算法的历史感知展开
图像与视频处理
2020-07-09 v2 计算机视觉与模式识别
机器学习
信号处理
医学物理
摘要
加速MRI的逆问题通常在正则化重建框架中融入关于前向编码算子的领域特定知识。近来，物理驱动的深度学习(DL)方法被提出使用神经网络进行数据驱动的正则化。这些方法将迭代优化算法展开以求解逆问题目标函数，通过在领域特定的数据一致性与经由神经网络的的数据驱动正则化之间交替实现。随后将整个展开网络进行端到端训练以学习网络参数。由于梯度下降步的数据一致性更新较为简单，近端梯度下降(PGD)是展开物理驱动DL重建方法的常用途径。然而，PGD方法收敛速度慢，需要更多展开迭代次数，导致训练中的内存问题及测试时更慢的重建速度。受利用先前迭代历史的PGD高效变体启发，我们提出一种具有跨迭代密集连接、对优化算法进行历史感知展开的方法以提升性能。在我们的方法中，梯度下降步在所有先前正则化单元输出的可训练组合上计算。我们也将该思路应用于带二次松弛的变量分裂方法的展开。在fastMRI膝关节数据集重建中的结果表明，所提历史感知方法相比常规展开对应方法减少了残余混叠伪影，且无需额外算力或增加重建时间。
引用
@article{arxiv.1912.07197,
title = {Dense Recurrent Neural Networks for Accelerated MRI: History-Cognizant Unrolling of Optimization Algorithms},
author = {Seyed Amir Hossein Hosseini and Burhaneddin Yaman and Steen Moeller and Mingyi Hong and Mehmet Akçakaya},
journal= {arXiv preprint arXiv:1912.07197},
year = {2020}
}