基于预优化掩码监督的自扫描适应 MRI undersampling模式学习
动力系统
2025-10-28 v2
摘要
深度学习技术因能够在保持扫描质量的同时加速 MRI 数据采集而受到广泛关注。本文提出一种基于卷积神经网络 (CNN) 的框架，用于从多导管 MRI 数据中直接学习 undersampling 模式。不同于依赖内部训练掩码优化的先前方法，我们的方法使用预计算的扫描自适应优化掩码作为监督标签进行训练，实现高效稳健的扫描特定抽样。训练过程中，交替优化重构器和数据驱动抽样网络，后者从观测到的低频 -space 数据生成扫描特定的抽样模式。fastMRI 多导管膝关节数据集上的实验表明，该方法在抽样效率和图像重建质量方面均取得显著改进，为通过深度学习提升 MRI 采集提供了稳健框架。
引用
@article{arxiv.2509.16845,
title = {Representation of solutions to continuous and discrete first-order linear matrix equations with delay},
author = {Javad A. Asadzade and Nazim I. Mahmudov},
journal= {arXiv preprint arXiv:2509.16845},
year = {2025}
}