用于压缩感知磁共振图像重建的神经架构搜索
图像与视频处理
2023-11-03 v7 计算机视觉与模式识别
摘要
近期工作表明，基于深度学习（DL）的压缩感知（CS）实现可通过从欠采样k空间数据重建MR图像来加速磁共振（MR）成像。然而，以往方法所采用的网络架构均为手工设计。神经架构搜索（NAS）算法能够自动构建神经网络架构，并在若干视觉任务中优于人工设计的架构。受此启发，我们在此通过NAS而非人工尝试，提出了一种用于MR图像重建问题的新颖且高效的网络。特别地，一个特定的单元结构以可微方式从灵活的预定义操作搜索空间中自动搜索得到，并被集成到模型驱动的MR重建流程中。实验结果表明，与以往最先进方法相比，我们所搜索的网络在PSNR和SSIM指标上能取得更好的重建结果，且计算资源减少4-6倍。我们进行了大量实验以分析超参数如何影响重建性能及所搜索的结构。所搜索架构的泛化性也在不同器官的MR数据集上进行了评估。我们提出的方法能在计算成本与重建性能之间取得更好的权衡，具有良好的泛化性，并为其他医学图像应用的神经网络设计提供见解。评估代码将发布于 https://github.com/yjump/NAS-for-CSMRI。
引用
@article{arxiv.2002.09625,
title = {Neural Architecture Search for Compressed Sensing Magnetic Resonance Image Reconstruction},
author = {Jiangpeng Yan and Shuo Chen and Yongbing Zhang and Xiu Li},
journal= {arXiv preprint arXiv:2002.09625},
year = {2023}
}
备注
Published on Computerized Medical Imaging and Graphics