用于定量磁化率成像的学习型近端网络
图像与视频处理
2020-08-13 v1 计算机视觉与模式识别
机器学习
摘要
定量磁化率成像（QSM）通过求解不适定的偶极子反演问题，从磁共振（MR）相位测量中估计组织磁化率分布。传统的单方向QSM方法通常采用正则化策略来稳定此类反演，但可能存在条状伪影或过度平滑。多方向QSM（如通过多方向采样计算磁化率（COSMOS））可给出良态反演和无伪影解，但采集成本高昂。另一方面，卷积神经网络（CNN）在医学图像重建中展现出巨大潜力，尽管往往可解释性有限。在此，我们提出一种学习型近端卷积神经网络（LP-CNN），以迭代近端梯度下降方式求解不适定的QSM偶极子反演问题。该方法结合了数据驱动的复原先验与迭代求解器清晰的可解释性优势，后者可考虑偶极子卷积的物理模型。在训练过程中，我们的LP-CNN通过其近端学习隐式正则化器，从而实现重建算法中前向算子与数据驱动参数的解耦。更重要的是，该框架被认为是首个可自然处理任意数量相位输入测量而无需任何临时旋转或重新训练的深度学习QSM方法。我们证明，与传统的和深度学习的方法相比，LP-CNN提供了最先进的重建结果，同时在重建过程中具有更高的灵活性。
引用
@article{arxiv.2008.05024,
title = {Learned Proximal Networks for Quantitative Susceptibility Mapping},
author = {Kuo-Wei Lai and Manisha Aggarwal and Peter van Zijl and Xu Li and Jeremias Sulam},
journal= {arXiv preprint arXiv:2008.05024},
year = {2020}
}
备注
11 pages