SEGAN：用于压缩感知 MRI 重建的结构增强生成对抗网络
计算机视觉与模式识别
2019-03-06 v2
摘要
生成对抗网络（GANs）是重建压缩感知磁共振成像（CS-MRI）的有力工具。然而，近期大多数工作缺乏对 MRI 图像结构信息的探索，而该信息对临床诊断至关重要。为解决此问题，我们提出了结构增强 GAN（SEGAN），旨在在局部和全局尺度上恢复结构信息。SEGAN 定义了一种称为块相关正则化（PCR）的新结构正则化，可高效提取结构信息。此外，为进一步增强揭示结构信息的能力，我们通过将多尺度卷积滤波器融入每一层，提出了一种新颖的生成器 SU-Net。同时，我们从理论上分析了训练过程中所含随机因子的收敛性。实验结果表明，SEGAN 能够学习目标结构信息，并在 CS-MRI 重建中取得最先进的性能。
引用
@article{arxiv.1902.06455,
title = {SEGAN: Structure-Enhanced Generative Adversarial Network for Compressed Sensing MRI Reconstruction},
author = {Zhongnian Li and Tao Zhang and Peng Wan and Daoqiang Zhang},
journal= {arXiv preprint arXiv:1902.06455},
year = {2019}
}
备注
9 pages,5 figures, Proceedings of the Association for the Advancement of Artificial Intelligence (AAAI-19)