MoDL-MUSSELS：用于多 shot 灵敏度编码扩散 MRI 的基于模型的深度学习
计算机视觉与模式识别
2019-10-23 v3
摘要
我们提出了一种称为 MoDL-MUSSELS 的基于模型的深度学习架构，用于校正多 shot 扩散加权回波平面 MRI 图像中的相位误差。所提出的算法是现有 MUSSELS 算法的推广，性能相近但计算复杂度显著降低。在这项工作中，我们证明了 MUSSELS 的迭代重加权最小二乘实现在多通道滤波器组与数据一致性约束之间交替。多通道滤波器组将数据投影到信号子空间，从而利用各 shot 之间的相位关系。由于自学习滤波器组的计算复杂度很高，我们提议用一个从示例数据中学习参数的卷积神经网络（CNN）来替代它。所提出的 CNN 是一种混合模型，涉及 k 空间中的多通道 CNN 和图像空间中的另一个 CNN。k 空间 CNN 利用 shot 图像之间的相位关系，而图像域网络用于将数据投影到图像流形。实验表明，所提出的方案能够产生与最先进方法相当的重建结果，同时将运行时间减少几个数量级。
引用
@article{arxiv.1812.08115,
title = {MoDL-MUSSELS: Model-Based Deep Learning for Multi-Shot Sensitivity Encoded Diffusion MRI},
author = {Hemant Kumar Aggarwal and Merry P. Mani and Mathews Jacob},
journal= {arXiv preprint arXiv:1812.08115},
year = {2019}
}