用于 MRI 重建的傅里叶约束扩散桥学习
图像与视频处理
2023-12-19 v3
摘要
深度生成模型近来在加速 MRI 重建中受到关注。扩散先验因其表征保真度而尤其具有前景。常见的扩散先验被训练为学习从高斯噪声的渐近起点到全采样数据的有限终点的任务无关变换，而非 MRI 重建所需的从欠采样到全采样数据的目标变换。在推理时，数据一致性投影被注入到反向扩散步骤之间，以在训练所得扩散先验与加速 MRI 采集的成像算子的张成空间中达成折中解。遗憾的是，由于扩散先验中的渐近正态性假设，目标变换与所学变换之间的差异可能导致性能损失。为消除该差异，本文提出一种用于 MRI 重建的新颖傅里叶约束扩散桥（Fourier-constrained diffusion bridge, FDB），其在中等欠采样数据的有限起点与全采样数据的终点之间进行变换。我们将 FDB 推导为基于执行随机空间频率剔除的随机退化算子的广义扩散过程。我们提出了一种带学习校正项的增强采样算法，用于跨反向扩散步骤的软去混叠。在脑 MRI 上的演示表明，FDB 优于包括非扩散与扩散先验在内的现有最优方法。
引用
@article{arxiv.2308.01096,
title = {Learning Fourier-Constrained Diffusion Bridges for MRI Reconstruction},
author = {Muhammad U. Mirza and Onat Dalmaz and Hasan A. Bedel and Gokberk Elmas and Yilmaz Korkmaz and Alper Gungor and Salman UH Dar and Tolga Çukur},
journal= {arXiv preprint arXiv:2308.01096},
year = {2023}
}