基于分数的生成先验引导的模型驱动网络用于磁共振成像重建
计算机视觉与模式识别
2024-07-16 v2
摘要
基于分数的匹配与朗之万动力学（SMLD）方法已成功应用于加速磁共振成像。然而，采样过程中的超参数需要精细调整，否则结果可能被幻觉伪影严重破坏，尤其是在分布外测试数据上。为了解决这些局限性，我们提出了一种新颖的工作流程，其中朴素SMLD样本作为额外的先验来指导模型驱动网络训练。首先，我们采用预训练的分数网络生成样本作为初步引导图像（PGI），避免了网络重新训练、参数调整和分布内测试数据的需要。尽管PGI受到幻觉伪影的破坏，但我们相信通过有效的去噪步骤，它们可以提供额外信息以促进重建。因此，我们在第二步设计了一个去噪模块（DM），以粗略消除PGI中的伪影和噪声。特征从基于分数的信息提取器（SIE）和跨域信息提取器（CIE）中提取，这些提取器直接映射到噪声模式。第三，我们设计了一个由去噪PGI（DGI）引导的模型驱动网络，以进一步恢复精细细节。DGI与每个级联中的中间重建密集连接以丰富信息，并定期更新以提供更准确的引导。我们在不同数据集上的实验表明，尽管PGI的平均质量较低，但所提出的工作流程可以有效提取有价值的信息来指导网络训练，即使在训练数据和采样步骤严重减少的情况下也是如此。我们的方法通过有效缓解幻觉伪影，优于其他尖端技术，产生稳健且高质量的重建结果。
引用
@article{arxiv.2405.02958,
title = {Score-based Generative Priors Guided Model-driven Network for MRI Reconstruction},
author = {Xiaoyu Qiao and Weisheng Li and Bin Xiao and Yuping Huang and Lijian Yang},
journal= {arXiv preprint arXiv:2405.02958},
year = {2024}
}