模型学习：用于快速磁共振成像的原始对偶网络
图像与视频处理
2019-08-08 v1 计算机视觉与模式识别
机器学习
医学物理
机器学习
摘要
磁共振成像（MRI）是一种已知的慢速成像方式，k空间中的欠采样已被用于提高成像速度。然而，从欠采样k空间数据中进行图像重建是一个不适定逆问题。基于压缩感知的迭代算法已被用于解决该问题。在本工作中，我们将原始对偶混合梯度算法的迭代展开为可学习的深度网络架构，并逐步放宽约束以从高度欠采样的k空间数据重建MR图像。所提方法将优化方法的理论收敛保证与深度网络的强大学习能力相结合。随着约束逐步放宽，重建模型最终通过交替在k空间和图像域中更新而从训练数据中学习得到。在体MR数据上的实验表明，与其他最先进的图像重建方法相比，所提方法从高度欠采样k空间数据中实现了更优的MR重建。
引用
@article{arxiv.1908.02426,
title = {Model Learning: Primal Dual Networks for Fast MR imaging},
author = {Jing Cheng and Haifeng Wang and Leslie Ying and Dong Liang},
journal= {arXiv preprint arXiv:1908.02426},
year = {2019}
}
备注
accepted in MICCAI2019. arXiv admin note: text overlap with arXiv:1906.08143