SDLFormer：一种用于加速MR图像重建的稀疏与稠密局部性增强Transformer
图像与视频处理
2023-08-09 v1 计算机视觉与模式识别
机器学习
摘要
由于Transformer能够在空间域中学习非局部区域关系，其已成为卷积神经网络的可行替代方案。Transformer的自注意力机制使其能捕捉图像中的长程依赖，这对于加速MRI图像重建可能是理想的，因为欠采样的影响在图像域是非局部的。尽管计算高效，基于窗口的Transformer受限于受限的感受野，因为依赖关系被限制在图像窗口范围内。我们提出一种基于窗口的Transformer网络，其集成了空洞注意力机制与卷积用于加速MRI图像重建。所提网络由空洞与稠密邻域注意力Transformer组成，以增强远距离邻域像素关系，并在Transformer模块内引入深度可分离卷积来学习低层平移不变特征用于加速MRI图像重建。所提模型以自监督方式训练。我们基于k空间分割的自监督学习，对冠状位PD、冠状位PDFS和轴位T2对比的多线圈MRI加速进行了4倍和5倍欠采样的广泛实验。我们将我们的方法与其他重建架构以及并行域自监督学习基线进行比较。结果表明，所提模型表现出如下改进幅度：(i) 相较其他架构平均PSNR约提升1.40 dB、SSIM约提升0.028；(ii) 相较并行域自监督学习PSNR约提升1.44 dB、SSIM约提升0.029。代码见 https://github.com/rahul-gs-16/sdlformer.git
引用
@article{arxiv.2308.04262,
title = {SDLFormer: A Sparse and Dense Locality-enhanced Transformer for Accelerated MR Image Reconstruction},
author = {Rahul G. S. and Sriprabha Ramnarayanan and Mohammad Al Fahim and Keerthi Ram and Preejith S. P and Mohanasankar Sivaprakasam},
journal= {arXiv preprint arXiv:2308.04262},
year = {2023}
}
备注
Accepted at MICCAI workshop MILLanD 2023 Medical Image Learning with noisy and Limited Data