用于高加速非笛卡尔 MRI 重建的鲁棒即插即用方法
图像与视频处理
2024-11-05 v1 计算机视觉与模式识别
摘要
在高加速采集率下获得高质量的磁共振成像（Magnetic Resonance Imaging, MRI）重建仍然具有挑战性，这是由于逆问题的固有不适定性所致。传统的压缩感知（Compressed Sensing, CS）方法虽然在各种采集设置下具有鲁棒性，但在高加速因子（≥ 8）下难以保持良好的重建质量。深度学习的最新进展改善了重建质量，但纯数据驱动的方法容易过拟合和产生幻觉效应，尤其是在采集设置变化时。即插即用（Plug-and-Play, PnP）方法已被提出以缓解这两个框架的缺陷。简而言之，PnP 算法通过用强大的去噪深度神经网络（deep neural networks, DNNs）替代次优的手工设计 CS 先验。然而，在 MRI 重建中，现有的 PnP 方法由于近端梯度下降（proximal gradient descent, PGD）方案的不稳定性以及缺乏经过精心整理的干净训练数据集，往往产生次优结果。在这项工作中，我们提出了一种完全无监督的预处理管道，用于从多线圈数据生成干净、无噪声的复数 MRI 信号，从而训练高性能去噪 DNN。此外，我们引入了一种退火半二次分裂（annealed Half-Quadratic Splitting, HQS）算法来解决不稳定性问题，相比现有 PnP 算法实现了显著提升。当与预处理技术结合时，我们的方法达到了最先进的结果，为高质量 MRI 重建提供了一个鲁棒且高效的解决方案。
引用
@article{arxiv.2411.01955,
title = {Robust plug-and-play methods for highly accelerated non-Cartesian MRI reconstruction},
author = {Pierre-Antoine Comby and Benjamin Lapostolle and Matthieu Terris and Philippe Ciuciu},
journal= {arXiv preprint arXiv:2411.01955},
year = {2024}
}