基于矩阵补全启发的深度展开平衡模型用于 MRI 自监督 k 空间插值
图像与视频处理
2023-09-26 v1 计算机视觉与模式识别
摘要
近来，正则化模型驱动的深度学习（DL）因能利用 DL 的强大表征能力同时保留正则化模型的理论保证而受到广泛关注。然而，此类方法大多针对需要全采样标签的监督学习场景，这在实际 MRI 应用中会带来挑战。为应对该挑战，我们提出一种理论保证且不依赖全采样标签的加速 MRI 自监督 DL 方法。具体而言，我们通过利用 -空间数据固有的结构低秩性实现神经网络结构正则化。同时，我们将网络结构约束为类似于非扩张映射，确保网络收敛至不动点。得益于该良好定义的网络结构，即便在无全采样标签的情况下，该不动点也能基于矩阵补全理论完整重建缺失的 -空间数据。实验验证了我们所提方法的有效性，并证明其优于现有自监督方法与传统正则化方法，在特定场景下达到与监督学习方法相当的性能。
引用
@article{arxiv.2309.13571,
title = {Matrix Completion-Informed Deep Unfolded Equilibrium Models for Self-Supervised k-Space Interpolation in MRI},
author = {Chen Luo and Huayu Wang and Taofeng Xie and Qiyu Jin and Guoqing Chen and Zhuo-Xu Cui and Dong Liang},
journal= {arXiv preprint arXiv:2309.13571},
year = {2023}
}