并行成像中扫描特定学习的多权重重定规
图像与视频处理
2022-04-06 v1 计算机视觉与模式识别
摘要
并行成像作为加速技术广泛应用于磁共振成像中。并行成像中的传统线性重建方法常受噪声放大的困扰。近来，一种用于 k 空间插值的非线性鲁棒人工神经网络（RAKI）表现出优于其他线性方法的噪声鲁棒性。然而，RAKI 在高加速率下表现不佳，且需要大量自校准信号作为训练样本。为解决这些问题，我们提出了一种对欠采样数据施加多个加权矩阵的多权重方法，命名为 MW-RAKI。对测量数据施加多个加权矩阵可有效降低噪声影响并增加数据约束。此外，我们将多权重矩阵策略融入 RAKI 的残差版本，形成了 MW-rRAKI。与替代方法的实验比较显示出明显更好的重建性能，尤其在高加速率下。
引用
@article{arxiv.2204.01979,
title = {Multi-Weight Respecification of Scan-specific Learning for Parallel Imaging},
author = {Hui Tao and Haifeng Wang and Shanshan Wang and Dong Liang and Xiaoling Xu and Qiegen Liu},
journal= {arXiv preprint arXiv:2204.01979},
year = {2022}
}