PUERT：面向 CS-MRI 的概率欠采样与可解释重建网络
图像与视频处理
2022-07-27 v1 计算机视觉与模式识别
摘要
压缩感知 MRI（CS-MRI）旨在从亚奈奎斯特采样的 k 空间数据重建去混叠图像，以加速磁共振成像，由此提出两个基本问题，即在哪里采样和如何重建。为同时解决这两个问题，我们提出了一种新颖的端到端概率欠采样与可解释重建网络，称为 PUERT，以联合优化采样模式与重建网络。所提出的采样子网络不学习确定性掩码，而是探索最优概率欠采样模式，该模式在每个可能采样点描述独立的伯努利随机变量，从而保留鲁棒性与随机性，以实现更可靠的 CS 重建。进一步引入动态梯度估计策略，在反向传播中逐步逼近二值化函数，有效保留梯度信息并进一步提升重建质量。此外，在重建子网络中，我们采用高效且具可解释性的基于模型的网络设计方案，该方案有助于进一步挖掘采样子网络。在两个广泛使用的 MRI 数据集上的大量实验表明，我们提出的 PUERT 不仅在定量指标与视觉质量上均达到最先进（SOTA）结果，还产生了针对训练数据定制的欠采样模式与重建模型。
引用
@article{arxiv.2204.11189,
title = {PUERT: Probabilistic Under-sampling and Explicable Reconstruction Network for CS-MRI},
author = {Jingfen Xie and Jian Zhang and Yongbing Zhang and Xiangyang Ji},
journal= {arXiv preprint arXiv:2204.11189},
year = {2022}
}