生成对抗网络（GAN）赋能的快速磁共振成像——小型综述、比较与展望
图像与视频处理
2021-05-06 v1 计算机视觉与模式识别
摘要
磁共振成像（MRI）是医学影像的重要组成部分。与其他影像模态相比，它具有无辐射、软组织对比度高以及互补的多序列信息等优势。然而，MRI的一个缺点是其扫描和重建相对较慢，限制了其在一些成像时间关键的临床应用中的使用。传统的基于压缩感知的MRI（CS-MRI）重建可加速MRI采集，但存在长迭代过程和噪声引起的伪影。近来，深层神经网络（DNNs）已被用于稀疏MRI重建模型，从重度欠采样k空间数据重建相对高质量图像，从而实现更快的MRI扫描。然而，仍有一些障碍需要克服。例如，基于到目标全采样图像的L1/L2距离直接训练DNNs可能导致模糊重建，因为L1/L2损失只能强制整体图像或块相似性，而未考虑诸如解剖锐度之类的局部信息。在保持自然外观的同时保留精细图像细节也很困难。最近，基于生成对抗网络（GAN）的方法被提出用于解决具有增强图像感知质量的快速MRI。编码器获得欠采样图像的潜空间，解码器利用GAN损失重建图像。在本章中，我们回顾了GAN赋能的快速MRI方法，并在各种解剖数据集上进行比较研究，以证明此类快速MRI的泛化性和鲁棒性，同时提供未来展望。
引用
@article{arxiv.2105.01800,
title = {Generative Adversarial Networks (GAN) Powered Fast Magnetic Resonance Imaging -- Mini Review, Comparison and Perspectives},
author = {Guang Yang and Jun Lv and Yutong Chen and Jiahao Huang and Jin Zhu},
journal= {arXiv preprint arXiv:2105.01800},
year = {2021}
}
备注
18 figures, Generative Adversarial Learning: Architectures and Applications