基于级联通道注意力网络的 MRI 重建
计算机视觉与模式识别
2019-04-11 v2 机器学习
摘要
我们考虑以极低欠采样率的 k-space 数据作为输入的 MRI 重建问题。这在实践中可因缩短 MRI 扫描时间而使患者受益，但由于重建质量可能受损，也具有挑战性。目前，基于深度学习的方法在 MRI 重建上主导了如压缩感知等传统方法，但在低欠采样 k-space 数据情形下它们很少展现出令人满意的性能。一种解释是这些方法平等对待通道特征，导致神经网络表征能力退化。为解决此问题，我们提出一种称为 MRI 级联通道注意力网络 (MICCAN) 的新模型，其三大组成部分为：(i) 带通道注意力 (UCA) 模块的 U-net 变体，(ii) 长跳跃连接，以及 (iii) 组合损失。我们的模型能够通过过滤无关特征来关注显著信息，并通过将低频信息旁路至最终输出来聚焦于高频信息。我们在心脏数据集上对我们的方法进行了定量评估和定性分析。实验表明，我们的方法在低欠采样 k-space 数据的 MRI 重建上以三个常用指标衡量取得了非常有前景的结果。
引用
@article{arxiv.1810.08229,
title = {MRI Reconstruction via Cascaded Channel-wise Attention Network},
author = {Qiaoying Huang and Dong Yang and Pengxiang Wu and Hui Qu and Jingru Yi and Dimitris Metaxas},
journal= {arXiv preprint arXiv:1810.08229},
year = {2019}
}
备注
Accepted by the IEEE International Symposium on Biomedical Imaging (ISBI) 2019. Code is available now