基于多掩膜的物理引导深度学习图像重建监督训练改进
图像与视频处理
2021-05-17 v1 计算机视觉与模式识别
机器学习
信号处理
医学物理
摘要
通过算法展开实现的物理引导深度学习 (PG-DL) 在改进图像重建（包括 MRI 应用）方面引起了极大关注。这些方法将一个迭代优化算法展开为一系列正则化单元和数据一致性单元。展开的网络通常使用监督方法进行端到端训练。当前的监督 PG-DL 方法在其数据一致性单元中使用所有可用的欠采样测量值。因此，网络学习去拟合其余的测量值。在本研究中，我们提出通过回顾式地仅选择所有可用测量值的子集用于数据一致性单元来利用随机性，从而改进监督训练的性能和鲁棒性。该过程在训练期间使用不同的随机掩膜重复多次以进一步增强。膝关节 MRI 上的结果表明，所提出的多掩膜监督 PG-DL 相比常规监督 PG-DL 方法提升了重建性能。
引用
@article{arxiv.2010.13868,
title = {Improved Supervised Training of Physics-Guided Deep Learning Image Reconstruction with Multi-Masking},
author = {Burhaneddin Yaman and Seyed Amir Hossein Hosseini and Steen Moeller and Mehmet Akçakaya},
journal= {arXiv preprint arXiv:2010.13868},
year = {2021}
}