磁共振指纹识别中深度学习的几何特性
机器学习
2018-11-06 v2 机器学习
摘要
当前磁共振指纹（MRF）恢复的主流方法受限于字典匹配（DM）步骤巨大的存储与计算需求，这源于多参数定量 MRI 应用中指纹字典规模与复杂度的增长。本文研究一种深度学习方法以克服这些缺陷。结合降维首层，所提出的 MRF-Net 能够通过比 DM 基线节省逾 60 倍的内存与计算量来重建定量图。细网格流形枚举（即 MRF 字典）仅用于训练网络，而不用于图像重建。我们证明 MRF-Net 对 Bloch 响应流形投影给出分段仿射逼近，并且网络并非记忆字典，而是高效地对该流形聚类，并为各分段中 NMR 特征的仿射回归学习一组分层匹配滤波器。
引用
@article{arxiv.1809.01749,
title = {Geometry of Deep Learning for Magnetic Resonance Fingerprinting},
author = {Mohammad Golbabaee and Dongdong Chen and Pedro A. Gómez and Marion I. Menzel and Mike E. Davies},
journal= {arXiv preprint arXiv:1809.01749},
year = {2018}
}