用于多通道磁共振图像重建的 U-net 双域级联
图像与视频处理
2019-11-06 v1 机器学习
医学物理
机器学习
摘要
U-net 是一种用于解决若干逆问题的深度学习网络模型。本工作中，评估了在 k 空间（K）与图像（I）域中运行的双元素 U-net 级联（称为 W-net）用于多通道磁共振（MR）图像重建。评估了四种可能的图像-k 空间域配置的双元素网络组合：a) W-net II，b) W-net KK，c) W-net IK，d) W-net KI。还考察了选定的有前景的四元素网络（WW-net）。比较了每种网络的两种配置：1) 各线圈通道独立处理；2) 所有通道同时处理。实验中使用了 111 个体积化、T1 加权、12 通道线圈 k 空间数据集。采用归一化均方根误差、峰值信噪比、视觉信息保真度以及视觉检查，将重建图像与全采样参考图像进行比较。我们的结果表明，在处理多通道数据的各个通道独立时，仅在图像域运行的网络更合适。在同时重建多通道数据的所有通道时，双域方法更具优势。此外，在四项实验中的三项里，适当的 U-net 级联相较于先前发表的最先进 Deep Cascade 模型表现更优（p < 0.01）。
引用
@article{arxiv.1911.01458,
title = {Dual-domain Cascade of U-nets for Multi-channel Magnetic Resonance Image Reconstruction},
author = {Roberto Souza and Mariana Bento and Nikita Nogovitsyn and Kevin J. Chung and R. Marc Lebel and Richard Frayne},
journal= {arXiv preprint arXiv:1911.01458},
year = {2019}
}