提升深度神经网络在 MR 重建中表达能力的几何方法
计算机视觉与模式识别
2020-10-28 v1 机器学习
图像与视频处理
机器学习
摘要
近来，深度学习方法被广泛研究用于从加速磁共振成像（MRI）采集重建图像。尽管这些方法相比压缩感知 MRI（CS-MRI）提供了显著的性能提升，但如何选择合适的网络架构以平衡网络复杂度与性能之间的权衡尚不清楚。最近研究表明，编码器-解码器卷积神经网络（CNN）可解释为分段线性类基表示，其具体表示由给定输入图像的 ReLU 激活模式决定。因此，表达能力或表示能力由分段线性区域的数量决定。作为该几何理解的扩展，本文提出一种系统性几何方法，利用自举与带注意力模块的子网络聚合来提升底层神经网络的表达式能力。我们的方法可在 k 空间域与图像域中实现，并能以端到端方式训练。实验结果表明，所提方案在复杂度几乎不增加的情况下显著改善了重建性能。
引用
@article{arxiv.2003.07740,
title = {Geometric Approaches to Increase the Expressivity of Deep Neural Networks for MR Reconstruction},
author = {Eunju Cha and Gyutaek Oh and Jong Chul Ye},
journal= {arXiv preprint arXiv:2003.07740},
year = {2020}
}
备注
Accepted for IEEE JSTSP Special Issue on Domain Enriched Learning for Medical Imaging