用于 MRI 重建的高效结构增强生成对抗网络
图像与视频处理
2019-08-13 v1 计算机视觉与模式识别
摘要
基于压缩感知的磁共振成像（CS-MRI）提供了一种有效减少 MRI 扫描时间的方法。近期，深度学习被引入 CS-MRI 以进一步提升图像质量并缩短重建时间。本文提出了一种高效的结构增强生成对抗网络，称为 ESSGAN，用于从高度欠采样的 k 空间数据重建 MR 图像。ESSGAN 由一个结构增强生成器（SG）和一个判别器组成。在 SG 中，我们引入了增强连接以提升所提出的增强卷积自编码器（SCAEs）之间特征图的利用率，其中每个 SCAE 是典型卷积自编码器的一个变体。此外，我们创造性地将残差中的残差块引入 SG。RIRB 增加了 SG 的深度，从而增强了 SG 的特征表达能力。此外，它还能赋予编码器块和解码器块更丰富的纹理特征。为进一步减少伪影并保留更多图像细节，我们向 SG 引入了增强结构损失。在不同的子采样掩码和不同的欠采样率下，与最先进的基于深度学习的方法相比，ESSGAN 能够以更少的模型参数提供更高的图像质量，并在数十毫秒内重建一幅 256*256 的 MR 图像。
关键词
引用
@article{arxiv.1908.03858,
title = {Efficient Structurally-Strengthened Generative Adversarial Network for MRI Reconstruction},
author = {Wenzhong Zhou and Huiqian Du and Wenbo Mei and Liping Fang},
journal= {arXiv preprint arXiv:1908.03858},
year = {2019}
}
备注
28 pages