JotlasNet：用于加速动态 MRI 的联合张量低秩与基于注意力的稀疏展开网络
计算机视觉与模式识别
2025-02-18 v1 人工智能
摘要
联合低秩与稀疏展开网络在动态 MRI 重建中表现出优越的性能。然而，现有工作主要利用矩阵低秩先验，忽略了动态 MRI 图像的张量特性，并且对多通道数据的稀疏约束仅应用全局阈值，限制了网络的灵活性。此外，它们中的大多数具有固有的复杂网络结构，变量间存在复杂的相互作用。在本文中，我们提出了一种新型深度展开网络 JotlasNet，通过联合利用张量低秩和基于注意力的稀疏先验来进行动态 MRI 重建。具体而言，我们利用张量低秩先验来挖掘高维数据中的结构相关性。卷积神经网络被用于自适应地学习低秩和稀疏变换域。我们提出了一种新颖的基于注意力的软阈值算子，为 CNN 学习的稀疏域中的数据每个通道分配唯一的可学习阈值。该网络由精心设计的复合分裂算法展开，因此具有简单而高效的并行结构。在两个数据集（OCMR, CMRxRecon）上的大量实验证明了 JotlasNet 在动态 MRI 重建中的优越性能。
引用
@article{arxiv.2502.11749,
title = {JotlasNet: Joint Tensor Low-Rank and Attention-based Sparse Unrolling Network for Accelerating Dynamic MRI},
author = {Yinghao Zhang and Haiyan Gui and Ningdi Yang and Yue Hu},
journal= {arXiv preprint arXiv:2502.11749},
year = {2025}
}
备注
13 pages, 7 figures, accepted by Magnetic Resonance Imaging