L2SR：基于强化学习加速 MRI 的采样与重建学习
计算机视觉与模式识别
2024-04-09 v3
摘要
磁共振成像（MRI）是一种广泛使用的医学成像技术，但其较长的采集时间在临床环境中可能成为限制因素。为解决此问题，研究者一直在探索在保持重建质量的同时减少采集时间的方法。以往工作要么聚焦于使用固定重建器寻找稀疏采样器，要么聚焦于使用固定采样器寻找重建器。然而，这些方法未能充分利用采样器与重建器联合学习的潜力。本文提出一种交替训练框架，通过深度强化学习（RL）联合学习一对优良的采样器与重建器。具体而言，我们将 MRI 采样过程视为由采样器控制的采样轨迹，并引入一种新颖的稀疏奖励部分可观测马尔可夫决策过程（POMDP）来建模 MRI 采样轨迹。与现有工作使用的密集奖励 POMDP 相比，所提出的稀疏奖励 POMDP 计算效率更高且具有可证明的优势。此外，所提出的框架称为 L2SR（Learning to Sample and Reconstruct，学习采样与重建），克服了以往使用密集奖励 POMDP 方法出现的训练失配问题。通过交替更新采样器与重建器，L2SR 在 fastMRI 数据集上学习到一对采样器与重建器，实现了最先进的重建性能。代码见 \url{https://github.com/yangpuPKU/L2SR-Learning-to-Sample-and-Reconstruct}。
引用
@article{arxiv.2212.02190,
title = {L2SR: Learning to Sample and Reconstruct for Accelerated MRI via Reinforcement Learning},
author = {Pu Yang and Bin Dong},
journal= {arXiv preprint arXiv:2212.02190},
year = {2024}
}