面向压缩感知MRI的分层感知对抗学习框架
图像与视频处理
2023-02-22 v1 计算机视觉与模式识别
机器学习
摘要
较长的采集时间导致患者不适和运动伪影，限制了磁共振成像（MRI）的可及性。尽管已有若干MRI技术被提出以缩短采集时间，但磁共振压缩感知（CS-MRI）能够在不牺牲信噪比和分辨率的情况下实现快速采集。然而，现有CS-MRI方法面临混叠伪影的挑战，导致类噪声纹理并丢失精细细节，从而造成不理想的重建性能。为应对该挑战，我们提出了一种分层感知对抗学习框架（HP-ALF）。HP-ALF可在分层机制中感知图像信息：图像级感知与块级感知。前者可减小整幅图像的视觉感知差异，从而实现混叠伪影去除；后者可减小图像局部区域的该差异，从而恢复精细细节。具体而言，HP-ALF通过多级视角判别实现该分层机制，该判别可从整体与区域两个视角为对抗学习提供信息。其还利用全局与局部相干判别器在训练过程中向生成器提供结构信息。此外，HP-ALF包含一个上下文感知学习块，以有效利用各图像间的切片信息从而获得更好的重建性能。在三个数据集上的实验验证了HP-ALF的有效性及其相对于对比方法的优越性。
引用
@article{arxiv.2302.10309,
title = {Hierarchical Perception Adversarial Learning Framework for Compressed Sensing MRI},
author = {Zhifan Gao and Yifeng Guo and Jiajing Zhang and Tieyong Zeng and Guang Yang},
journal= {arXiv preprint arXiv:2302.10309},
year = {2023}
}
备注
15 pages, 13 figures, IEEE TMI