用于求解病态图像重构的保真度约束网络编辑(FINE)
图像与视频处理
2019-05-20 v1
摘要
深度学习(DL)正日益用于解决成像中的病态逆问题,例如从含噪或不完整数据重构,因为 DL 在定义所需先验方面优于显式图像特征提取。然而,DL 通常未纳入数据生成的精确物理或数据保真度。相反,DL 网络被训练为对输入输出某种平均响应。因此,DL 图像重构包含误差,且当测试数据与训练数据显著偏离(如具有新的病理特征)时表现可能很差。为解决 DL 图像重构中缺乏数据保真度的问题,我们提出了一种称为保真度约束网络编辑(FINE)的新方法。在 FINE 中,根据物理模型在测试用例上修改预训练先验网络的权重。我们的实验表明,FINE 在神经影像中两个重要的逆问题——定量磁化率映射(QSM)和 MRI 欠采样重构——中均能取得优越性能。
引用
@article{arxiv.1905.07284,
title = {Fidelity Imposed Network Edit (FINE) for Solving Ill-Posed Image Reconstruction},
author = {Jinwei Zhang and Zhe Liu and Shun Zhang and Hang Zhang and Pascal Spincemaille and Thanh D. Nguyen and Mert R. Sabuncu and Yi Wang},
journal= {arXiv preprint arXiv:1905.07284},
year = {2019}
}