Σ-net:迭代深度神经网络用于快速并行 MR 图像重建的系统评估
图像与视频处理
2019-12-20 v1 计算机视觉与模式识别
机器学习
摘要
目的:系统研究在 Σ-net 中定义的多种数据一致性层、(半)监督学习以及集成策略,对基于深度学习的加速并行 MR 图像重建的影响。理论与方法:将 MR 图像重建表述为学习式展开优化方案,以 Down-Up 网络作为正则化项,并采用不同的数据一致性层。不同架构被划分为依赖显式线圈灵敏度图的灵敏度网络,以及隐式学习线圈组合的并行线圈网络。研究了不同的内容损失与对抗损失、半监督微调方案以及模型集成。结果:在 fastMRI 多线圈验证集上评估,涉及原始 k-space 数据的架构显著优于图像增强方法。半监督微调可适应新的 k-space 数据,并与基于对抗训练的重建一起提供视觉上最具吸引力的结果,尽管定量质量指标有所降低。Σ-net 集成了不同模型的优势,并与单一最先进方法取得相近的分数。结论:本工作提供了一个开源框架,用于在 fastMRI 膝关节数据集上对并行 MR 图像重建的最先进重建方法进行系统大范围比较,并探讨了数据一致性的重要性。通过集成的 Σ-net 实现了感知图像质量与定量分数之间的合适权衡。
引用
@article{arxiv.1912.09278,
title = {$\Sigma$-net: Systematic Evaluation of Iterative Deep Neural Networks for Fast Parallel MR Image Reconstruction},
author = {Kerstin Hammernik and Jo Schlemper and Chen Qin and Jinming Duan and Ronald M. Summers and Daniel Rueckert},
journal= {arXiv preprint arXiv:1912.09278},
year = {2019}
}
备注
Submitted to Magnetic Resonance in Medicine