用于数据高效上下文学习 MR 图像恢复的进步式体素化深度生成模型
计算机视觉与模式识别
2022-03-15 v4
摘要
磁共振成像（MRI）提供了在多种组织对比下对给定解剖体积进行成像的灵活性。然而，扫描时间的考量对 MRI 数据的质量和多样性施加了严格限制。缓解这一限制的黄金标准方法是从跨多个维度（最常见为傅里叶域或对比度集）欠采样的数据中恢复高质量图像。恢复方法的一个主要区别在于解剖结构是按体积还是按横截面处理。体素模型增强了对全局上下文信息的捕获，但可能因模型复杂度升高而导致次优学习。复杂度较低的交叉截面模型提供了改进的学习行为，但它们忽略了沿体积纵向维度的上下文信息。在此，我们引入了一种用于生成模型的新型渐进式体素化策略（ProvoGAN），该策略将复杂的体素图像恢复任务串行分解为跨各直线维度按任务最优排序的连续横截面映射。ProvoGAN 有效捕获全局上下文并在所有维度上恢复精细结构细节，同时保持低模型复杂度和改进的学习行为。在主流 MRI 重建与合成任务上的综合演示表明，ProvoGAN 的性能优于最先进的体素与横截面模型。
引用
@article{arxiv.2011.13913,
title = {Progressively Volumetrized Deep Generative Models for Data-Efficient Contextual Learning of MR Image Recovery},
author = {Mahmut Yurt and Muzaffer Özbey and Salman Ul Hassan Dar and Berk Tınaz and Kader Karlı Oğuz and Tolga Çukur},
journal= {arXiv preprint arXiv:2011.13913},
year = {2022}
}