基于学习变换的张量低秩网络(LT$^2$LR-Net)用于动态MRI
图像与视频处理
2023-02-20 v2 计算机视觉与模式识别
机器学习
摘要
尽管低秩矩阵先验已在动态MR图像重建中得到利用并取得了令人满意的性能,但张量低秩模型近来已成为三维动态MR数据集的一种强大替代表示。本文引入一种用于动态MRI的新型深度展开网络,即基于学习变换的张量低秩网络(LTLR-Net)。首先,我们将张量奇异值分解(t-SVD)推广为基于任意酉变换的版本,随后提出新颖的变换张量核范数(TTNN)。然后,我们基于交替方向乘子法(ADMM)设计了一种新颖的基于TTNN的迭代优化算法,以在变换域中利用张量低秩先验。相应的迭代步骤被展开到所提出的LTLR-Net中,其中融入卷积神经网络(CNN)以自适应地从动态MR数据集中学习变换,从而获得更鲁棒和准确的张量低秩表示。在心脏电影MR数据集上的实验结果表明,与最先进的方法相比,所提出的框架能够提供更优的重建结果。
引用
@article{arxiv.2206.00850,
title = {Dynamic MRI using Learned Transform-based Tensor Low-Rank Network (LT$^2$LR-Net)},
author = {Yinghao Zhang and Peng Li and Yue Hu},
journal= {arXiv preprint arXiv:2206.00850},
year = {2023}
}
备注
4 pages, 2 figures, 1 tabel, accepted by IEEE ISBI 2023 Conference