利用物理信息神经网络学习最优k空间采集与重建
图像与视频处理
2022-04-13 v2 计算机视觉与模式识别
摘要
磁共振图像（MRI）固有的慢成像速度推动了各种加速方法的发展，通常通过对称为k空间的MRI测量域进行启发式欠采样实现。近来，深度神经网络已被应用于重建欠采样k空间数据，并展现出改进的重建性能。尽管多数方法聚焦于为给定欠采样模式（如笛卡尔欠采样或非笛卡尔采样）设计新重建网络或新训练策略，迄今旨在利用深度神经网络学习并优化k空间采样策略的研究有限。本工作提出一种新颖优化框架，将k空间采样轨迹学习视为可由神经ODE求解的常微分方程（ODE）问题。具体而言，k空间数据采样被构建为动态系统，其中神经ODE被公式化为近似该系统并附加MRI物理约束。此外，我们还证明了轨迹优化与图像重建可协同学习以提升成像效率与重建性能。实验在不同序列采集的不同体内数据集（如脑与膝图像）上进行。初步结果表明，相较于笛卡尔与非笛卡尔采集中的传统欠采样方案，我们所提方法在加速MRI中能生成更优图像质量。
引用
@article{arxiv.2204.02480,
title = {Learning Optimal K-space Acquisition and Reconstruction using Physics-Informed Neural Networks},
author = {Wei Peng and Li Feng and Guoying Zhao and Fang Liu},
journal= {arXiv preprint arXiv:2204.02480},
year = {2022}
}
备注
Accepted by CVPR2022