学习MRI的采样模式
图像与视频处理
2020-06-23 v2 计算机视觉与模式识别
数值分析
数值分析
最优化与控制
摘要
压缩感知理论的发现使人们认识到，即使测量“不完整”，许多逆问题也可以被求解。这在磁共振成像(MRI)中尤为有趣，因为较长的采集时间会限制其应用。在本工作中，我们考虑学习一种稀疏采样模式的问题，该模式可用于在采集时间与重建图像质量之间实现最优平衡。我们采用监督学习方法，假设训练数据足以代表新的数据采集。我们证明事实确实如此，即便训练数据仅由7对测量值与真值图像组成；例如，对于尺寸为192×192的脑部图像训练集，所学得的模式仅采样k空间的35%，却在相似图像的测试集上得到平均SSIM为0.914的重建结果。所提框架具有足够的通用性以学习任意采样模式，包括笛卡尔、螺旋和径向采样等常见模式。
引用
@article{arxiv.1906.08754,
title = {Learning the Sampling Pattern for MRI},
author = {Ferdia Sherry and Martin Benning and Juan Carlos De los Reyes and Martin J. Graves and Georg Maierhofer and Guy Williams and Carola-Bibiane Schönlieb and Matthias J. Ehrhardt},
journal= {arXiv preprint arXiv:1906.08754},
year = {2020}
}
备注
The main document is 12 pages, the supporting document is 2 pages and attached at the end of the main document