使用深度密度先验的 MR 图像重建
计算机视觉与模式识别
2018-12-20 v4 图像与视频处理
机器学习
摘要
从欠采样测量中进行磁共振(MR)图像重建的算法利用先验信息来补偿缺失的 k 空间数据。深度学习(DL)提供了一个强大的框架，用于从现有图像数据集中通过学习提取此类信息，并将其用于重建。基于此，近期方法采用 DL 利用配对数据集(包括欠采样及相应的全采样图像)学习从欠采样到全采样图像的映射，从而隐式地整合先验知识。在本文中，我们提出一种替代方法，使用无监督 DL(具体为变分自编码器(VAE))学习全采样 MR 图像的概率分布，并将其作为重建中的显式先验项，使编码操作与先验完全解耦。所得到的重建算法拥有强大的图像先验以补偿缺失的 k 空间数据，且无需配对数据集进行训练，也不易受相关敏感性影响，例如训练与测试时所用欠采样模式的偏差或线圈设置。我们使用来自公开数据集的 T1 加权图像、从健康志愿者采集的多线圈复数图像(N=8)以及含白质病变的图像评估了所提方法。采用 VAE 先验的所提算法生成了视觉上高质量的重建结果，并取得了较低的 RMSE 值，在同一数据集上优于大多数替代方法。在多线圈复数数据上，该算法给出了准确的幅值与相位重建结果。在含白质病变图像实验中，该方法忠实地重建了病变。
引用
@article{arxiv.1711.11386,
title = {MR image reconstruction using deep density priors},
author = {Kerem C. Tezcan and Christian F. Baumgartner and Roger Luechinger and Klaas P. Pruessmann and Ender Konukoglu},
journal= {arXiv preprint arXiv:1711.11386},
year = {2018}
}
备注
Published in IEEE TMI. Main text and supplementary material, 19 pages total