DEQ-MPI：一种基于学习一致性深度平衡模型的磁粒子成像重建方法
图像与视频处理
2023-09-07 v2
摘要
磁粒子成像（MPI）在追踪磁性纳米颗粒方面提供无与伦比的对比度与分辨率。一种常见成像流程标定一个系统矩阵（SM），用于从后续扫描中重建数据。该病态重建问题可通过同时基于 SM 强制数据一致性并基于图像先验正则化求解。传统手工先验无法捕捉 MPI 图像的复杂属性，而近期基于学习先验的 MPI 方法可能面临冗长推断时间或有限泛化性能。本文中，我们引入一种新颖的由物理驱动的 MPI 重建方法，基于具学习数据一致性的深度平衡模型（DEQ-MPI）。受深度学习中展开方法启发，DEQ-MPI 通过将神经网络增强至迭代优化中来重建图像。然而，常规展开方法在计算上受限于少量迭代，导致非收敛解，且它们使用手工一致性度量，可能次优地捕获数据分布。DEQ-MPI 转而训练一个隐式映射以最大化收敛解的质量，并引入学习一致性度量以更好地解释数据分布。在模拟与实验数据上的演示表明，DEQ-MPI 相较最先进 MPI 重建方法取得了更优图像质量与具竞争力的推断时间。
引用
@article{arxiv.2212.13233,
title = {DEQ-MPI: A Deep Equilibrium Reconstruction with Learned Consistency for Magnetic Particle Imaging},
author = {Alper Güngör and Baris Askin and Damla Alptekin Soydan and Can Barış Top and Emine Ulku Saritas and Tolga Çukur},
journal= {arXiv preprint arXiv:2212.13233},
year = {2023}
}