用于高度加速动态成像的低秩与自适应稀疏信号 (LASSI) 模型
机器学习
2019-06-14 v2 机器学习
摘要
基于稀疏性的方法在图像处理和成像的许多应用中很流行。压缩感知利用图像在变换域或字典中的稀疏性，从未充分采样测量中改善图像恢复。在动态成像逆问题的背景下，近期研究展示了稀疏性和低秩技术的前景。例如，底层数据的块在自适应字典域中被建模为稀疏的，从未充分采样测量中得到的图像和字典估计称为字典盲压缩感知，或者动态图像序列被建模为低秩与稀疏（在某些变换域）分量之和（L+S 模型），这些分量从有限测量中估计。在这项工作中，我们研究 L+S 模型的数据自适应扩展，称为 LASSI，其中时间图像序列被分解为一个低秩分量和这样一个分量：其时空（3D）块在某个自适应字典域中稀疏。我们研究从有限测量中联合估计底层动态信号分量和时空字典的各种公式和高效方法。我们还获得了高效的稀疏惩罚字典盲压缩感知方法，作为我们 LASSI 方法的特例。我们的数值实验证明了 LASSI 方案在从有限 k-t 空间数据进行动态磁共振图像重建方面，相对于近期方法（如 k-t SLR 和 L+S）以及相对于所提出的字典盲压缩感知方法具有良好性能。
引用
@article{arxiv.1611.04069,
title = {Low-rank and Adaptive Sparse Signal (LASSI) Models for Highly Accelerated Dynamic Imaging},
author = {Saiprasad Ravishankar and Brian E. Moore and Raj Rao Nadakuditi and Jeffrey A. Fessler},
journal= {arXiv preprint arXiv:1611.04069},
year = {2019}
}