压缩感知MRI的采样学习与基于模型的信号恢复
图像与视频处理
2021-01-26 v1 机器学习
机器学习
摘要
压缩感知（CS）MRI依赖于对k空间进行充分的欠采样，以在不损害图像质量的前提下加速采集。因此，为这些k空间系数设计最优采样模式受到了极大关注，许多CS MRI方法利用变密度概率分布。认识到最优采样模式可能取决于下游任务（例如图像重建、分割或分类），我们在此提出联合学习任务自适应k空间采样和后续的基于模型的近端梯度恢复网络。前者通过概率生成模型实现，该模型利用Gumbel-softmax松弛在可训练置信度上采样同时保持可微性。所提出的高灵活采样模型与基于模型（采样自适应）的图像重建网络的结合，促进了探索与高效训练，与其他采样基线相比提升了MR图像质量。
引用
@article{arxiv.2004.10536,
title = {Learning Sampling and Model-Based Signal Recovery for Compressed Sensing MRI},
author = {Iris A. M. Huijben and Bastiaan S. Veeling and Ruud J. G. van Sloun},
journal= {arXiv preprint arXiv:2004.10536},
year = {2021}
}