RODEO：用于实时医学图像重建的鲁棒去混叠自编码器
图像与视频处理
2019-12-17 v1 机器学习
机器学习
摘要
在本工作中，我们解决从MRI的稀疏傅里叶频率空间采样和CT的sinogram层析投影中实时动态医学MRI和X射线CT图像重建问题。如今此类重建的事实标准是压缩感知(CS)。CS产生高质量图像(感知损失最小)，但此类重建耗时，需要求解复杂优化问题。在本工作中，我们提出利用自编码器从训练样本学习重建。我们的工作基于神经网络的通用函数逼近能力。自编码器的训练时间很长，但是离线的，因此不影响运行时的性能。在测试或运行期间，我们的方法仅需少量矩阵-向量乘积，因此比基于CS的方法显著更快。事实上，它快到足以实时重建——图像采集的同时即被重建，仅有轻微图像质量下降。然而，为使自编码器适用于我们的问题，我们偏离自编码器标准的欧几里得范数代价函数，改用鲁棒l1范数。随后问题使用Split Bregman方法求解。
引用
@article{arxiv.1912.07519,
title = {RODEO: Robust DE-aliasing autoencOder for Real-time Medical Image Reconstruction},
author = {Janki Mehta and Angshul Majumdar},
journal= {arXiv preprint arXiv:1912.07519},
year = {2019}
}
备注
Final paper accepted at Pattern Recognition. arXiv admin note: text overlap with arXiv:1503.06383