面向计算磁共振成像的物理驱动深度学习
图像与视频处理
2022-10-17 v3 计算机视觉与模式识别
机器学习
信号处理
医学物理
摘要
物理驱动深度学习方法已成为计算磁共振成像（MRI）问题的有力工具，将重建性能推向新极限。本文综述了将物理信息融入基于学习的 MRI 重建的最新进展。我们考虑计算 MRI 中具有线性和非线性前向模型的逆问题，并回顾求解这些问题的经典方法。随后聚焦于物理驱动深度学习途径，涵盖物理驱动损失函数、即插即用方法、生成模型与展开网络。我们强调了领域特有挑战，如神经网络的实值与复值构建模块，以及 MRI 中线性与非线性前向模型的转化应用。最后，我们讨论常见问题与开放挑战，并联系到在医学影像流程中与其他下游任务结合时物理驱动学习的重要性。
引用
@article{arxiv.2203.12215,
title = {Physics-Driven Deep Learning for Computational Magnetic Resonance Imaging},
author = {Kerstin Hammernik and Thomas Küstner and Burhaneddin Yaman and Zhengnan Huang and Daniel Rueckert and Florian Knoll and Mehmet Akçakaya},
journal= {arXiv preprint arXiv:2203.12215},
year = {2022}
}
备注
To appear in IEEE Signal Processing Magazine