用于加速 MRI 的 k 空间深度学习
计算机视觉与模式识别
2019-07-04 v3 机器学习
机器学习
摘要
基于湮灭滤波器的低秩 Hankel 矩阵方法（ALOHA）是最先进的压缩感知方法之一，它利用低秩 Hankel 矩阵补全直接插值缺失的 k 空间数据。ALOHA 的成功归功于 k 空间域中简洁的信号表示，这得益于 k 空间域中结构化低秩性与图像域稀疏性之间的对偶性。受近期将卷积神经网络与基于数据驱动 framelet 基的 Hankel 矩阵分解相联系的数学发现的启发，我们提出了一种用于 k 空间插值的全数据驱动深度学习算法。我们的网络还可以通过简单添加一个额外的重网格化层来轻松应用于非笛卡尔 k 空间轨迹。大量数值实验表明，所提出的深度学习方法始终优于现有的图像域深度学习方法。
引用
@article{arxiv.1805.03779,
title = {k-Space Deep Learning for Accelerated MRI},
author = {Yoseob Han and Leonard Sunwoo and Jong Chul Ye},
journal= {arXiv preprint arXiv:1805.03779},
year = {2019}
}
备注
Accepted to IEEE Transactions on Medical Imaging