基于模型的卷积去混叠网络学习用于并行磁共振成像
图像与视频处理
2019-08-07 v1 计算机视觉与模式识别
摘要
并行成像一直是加速磁共振成像的一项重要技术。然而，由于欠采样重建的病态性及相关挑战，加速倍率仍受到限制。本文提出一种具有自适应参数学习的基于模型的卷积去混叠网络，以从多线圈欠采样 k 空间数据中实现精确重建。主要贡献有三：提出了一种去混叠重建模型，利用深度学习挖掘空间冗余与多线圈相关性来加速并行磁共振成像；发展了分裂 Bregman 迭代算法以高效求解该模型；且与多数依赖估计多线圈灵敏度精度的现有并行成像方法不同，所提方法无需显式计算灵敏度即可从欠采样数据执行并行重建。我们在体内脑部数据集上以多种欠采样模式与不同加速因子进行了评估。结果表明，与三种最先进方法相比，该方法在定量与定性分析中均取得更优性能。
引用
@article{arxiv.1908.02054,
title = {Model-based Convolutional De-Aliasing Network Learning for Parallel MR Imaging},
author = {Yanxia Chen and Taohui Xiao and Cheng Li and Qiegen Liu and Shanshan Wang},
journal= {arXiv preprint arXiv:1908.02054},
year = {2019}
}