无全采样训练数据的压缩感知MRI中基于神经网络重建
图像与视频处理
2020-07-30 v1 计算机视觉与模式识别
摘要
压缩感知MRI（CS-MRI）在重建欠采样MR图像方面已显示出前景，提供了缩短扫描时间的潜力。经典技术使用昂贵的迭代优化过程来最小化正则化最小二乘代价函数。近来，已开发出通过展开神经网络中经典技术的迭代来建模其迭代性质的深度学习模型。尽管表现出优越性能，这些方法需要大量真值图像，并且对非可见数据表现出非鲁棒性。在本文中，我们探索了一种新颖策略，通过采用经典优化方案中广泛使用的损失函数以无监督方式训练展开式重建网络。我们证明，与经典优化求解器相比，该策略实现了更低损失且计算代价低，同时相比有监督模型表现出更优的鲁棒性。代码可在 https://github.com/alanqrwang/HQSNet 获取。
引用
@article{arxiv.2007.14979,
title = {Neural Network-based Reconstruction in Compressed Sensing MRI Without Fully-sampled Training Data},
author = {Alan Q. Wang and Adrian V. Dalca and Mert R. Sabuncu},
journal= {arXiv preprint arXiv:2007.14979},
year = {2020}
}
备注
to be published in MLMIR 2020