GLEAM：面向大规模加速 MRI 重建的贪心学习
图像与视频处理
2022-07-19 v1 计算机视觉与模式识别
摘要
展开式神经网络近期在加速 MRI 重建中取得了最先进性能。这些网络通过交替进行基于物理的一致性约束与基于神经网络的正则化来展开迭代优化算法。然而，它们需要大型神经网络的多次迭代以处理如 3D MRI 之类的高维成像任务。由于计算梯度和存储中间激活值所需的内存与计算需求过大，这限制了基于反向传播的传统训练算法。为应对该挑战，我们提出用于加速 MRI（GLEAM）的贪心学习（Greedy LEarning for Accelerated MRI）重建，一种面向高维成像场景的高效训练策略。GLEAM 将端到端网络拆分为解耦的网络模块。每个模块以贪心方式通过解耦梯度更新进行优化，从而降低训练期间的内存占用。我们展示了这些解耦梯度更新可在多个图形处理单元（GPUs）上并行执行以进一步缩短训练时间。我们给出了在 2D 与 3D 数据集上的实验，包括多线圈膝盖、脑部以及动态心脏电影 MRI。我们观察到：i) 在同等内存占用下，GLEAM 的泛化能力与梯度检查点与可逆网络等最先进的内存高效基线相当，但训练速度快 1.3 倍；ii) 在同等内存占用下，相较于端到端基线，GLEAM 在 2D 上带来 1.1dB PSNR 增益，在 3D 上带来 1.8 dB 增益。
引用
@article{arxiv.2207.08393,
title = {GLEAM: Greedy Learning for Large-Scale Accelerated MRI Reconstruction},
author = {Batu Ozturkler and Arda Sahiner and Tolga Ergen and Arjun D Desai and Christopher M Sandino and Shreyas Vasanawala and John M Pauly and Morteza Mardani and Mert Pilanci},
journal= {arXiv preprint arXiv:2207.08393},
year = {2022}
}