MAC-ReconNet：基于多采集上下文与动态权重预测的卷积神经网络用于 MR 图像重建
图像与视频处理
2022-03-11 v2 计算机视觉与模式识别
摘要
基于卷积神经网络的 MR 重建方法已被证明可提供快速且高质量的重建。基于 CNN 的模型的一个主要缺陷是缺乏灵活性，只能有效作用于特定采集上下文，限制了实际适用性。所谓采集上下文，我们是指所考虑的三种输入设置的具体组合，即：被测解剖结构、欠采样掩码模式与欠采样加速因子。模型可联合在融合多上下文的图像上训练。然而该模型既达不到特定上下文模型的性能，也无法扩展到训练时未见的上下文。这需要对现有架构进行修改，以生成上下文特定权重，从而引入对多上下文的灵活性。我们提出一种基于多采集上下文的网络，称为 MAC-ReconNet，用于 MRI 重建，可灵活应对多种采集上下文并泛化至未见上下文以适用于真实场景。所提网络包含一个 MRI 重建模块和一个动态权重预测（DWP）模块。DWP 模块将相应采集上下文信息作为输入，学习重建模块的上下文特定权重，该权重在运行时随上下文动态变化。我们展示了所提方法可处理基于心脏与脑数据集、高斯与笛卡尔欠采样模式以及五种加速因子的多上下文。所提网络在定量与定性上均优于朴素联合训练模型，并与特定上下文模型取得具竞争力的结果。我们还通过在训练时未见的上下文上测试，证明了模型的泛化能力。
引用
@article{arxiv.2111.05055,
title = {MAC-ReconNet: A Multiple Acquisition Context based Convolutional Neural Network for MR Image Reconstruction using Dynamic Weight Prediction},
author = {Sriprabha Ramanarayanan and Balamurali Murugesan and Keerthi Ram and Mohanasankar Sivaprakasam},
journal= {arXiv preprint arXiv:2111.05055},
year = {2022}
}