用于无监督动态心脏电影MRI重建的图图像先验
图像与视频处理
2024-09-25 v3 计算机视觉与模式识别
摘要
卷积神经网络（CNN）的归纳偏置可以作为图像恢复的强先验，即深度图像先验（DIP）。最近，DIP被用于无监督动态MRI重建，采用从潜在空间到图像空间的生成模型。然而，现有方法通常使用所有帧共享的金字塔形CNN生成器，将时间建模嵌入潜在空间，这可能阻碍模型表达能力。在这项工作中，我们提出了一种新的动态MRI表示方案，称为“图图像先验”（GIP）。GIP采用了一种新的建模方法，使用两阶段生成网络：首先使用独立的CNN恢复每一帧的图像结构，然后利用图模型参数化的特征空间中的时空相关性。使用图卷积网络进行特征融合和动态图像生成。此外，我们设计了一种ADMM算法来交替优化图像和网络参数，以提高重建性能。在心脏电影MRI重建上进行的实验表明，GIP优于压缩感知方法和其他基于DIP的无监督方法，显著缩小了与最先进监督算法的性能差距。此外，GIP在迁移到不同重建设置时表现出优越的泛化能力，无需任何额外数据。
引用
@article{arxiv.2403.15770,
title = {Graph Image Prior for Unsupervised Dynamic Cardiac Cine MRI Reconstruction},
author = {Zhongsen Li and Wenxuan Chen and Shuai Wang and Chuyu Liu and Qing Zou and Rui Li},
journal= {arXiv preprint arXiv:2403.15770},
year = {2024}
}
备注
The conclusion about reconstruction performance with the size of the latent variable is not stable, we must validate it before presenting it to other researchers