用于 MRI 图像重建的金字塔卷积循环神经网络
图像与视频处理
2022-02-23 v7 计算机视觉与模式识别
机器学习
机器学习
摘要
从欠采样数据中进行快速准确的 MRI 图像重建在临床实践中至关重要。近年来，基于深度学习的重建方法展现出可喜的进展。然而，从欠采样数据中恢复精细细节仍然具有挑战性。在本文中，我们引入一种新颖的基于深度学习的方法，金字塔卷积循环神经网络（PC-RNN），以从多尺度重建图像。基于将 MRI 重建表述为逆问题，我们设计了具有三个卷积循环神经网络（ConvRNN）模块的 PC-RNN 模型，以迭代地学习多尺度特征。每个 ConvRNN 模块在不同尺度上重建图像，重建的图像以金字塔方式由最终的 CNN 模块组合。多尺度 ConvRNN 模块学习从粗到细的图像重建。与其他常见的并行成像重建方法不同，PC-RNN 不对多线圈数据使用线圈敏感度图，而是直接将多个线圈建模为多通道输入。线圈压缩技术被应用于标准化具有不同线圈数的数据，从而实现更高效的训练。我们在 fastMRI 膝关节和脑数据集上评估我们的模型，结果表明所提出的模型优于其他方法并且能恢复更多细节。所提出的方法是 2019 年 fastMRI 竞赛的获胜方案之一。
引用
@article{arxiv.1912.00543,
title = {Pyramid Convolutional RNN for MRI Image Reconstruction},
author = {Eric Z. Chen and Puyang Wang and Xiao Chen and Terrence Chen and Shanhui Sun},
journal= {arXiv preprint arXiv:1912.00543},
year = {2022}
}
备注
Copyright\copyright 2022 IEEE. Personal use of this material is permitted. However, permission to use this material for any other purposes must be obtained from the IEEE by sending a request to [email protected]