SMUG：通过平滑展开实现鲁棒 MRI 重建
图像与视频处理
2023-03-23 v1 计算机视觉与模式识别
机器学习
医学物理
摘要
尽管深度学习(DL)在加速磁共振成像(MRI)中已广受欢迎，近期研究表明基于 DL 的 MRI 重建模型可能对微小输入扰动（称为“对抗扰动”）过度敏感，从而导致不稳定、低质量的重建图像。这引发了如何设计鲁棒的 DL 方法用于 MRI 重建的问题。为解决该问题，我们提出一种新颖的图像重建框架，称为 SMOOTHED UNROLLING (SMUG)，其利用基于随机平滑(RS)的鲁棒学习操作来改进基于深度展开(unrolling)的 MRI 重建模型。RS 可提升模型对输入噪声的容忍度，已广泛应用于图像分类的对抗防御设计。然而，我们发现将 RS 应用于整个 DL 过程的传统设计对 MRI 重建无效。我们展示 SMUG 通过基于 DL 的 MRI 重建模型展开架构定制 RS 操作来解决上述问题。相较于原始 RS 方法及 SMUG 的若干变体，我们表明 SMUG 在多种扰动源下提升了 MRI 重建的鲁棒性，包括输入测量的扰动、不同的测量采样率以及不同的展开步数。SMUG 的代码将发布于 https://github.com/LGM70/SMUG。
引用
@article{arxiv.2303.12735,
title = {SMUG: Towards robust MRI reconstruction by smoothed unrolling},
author = {Hui Li and Jinghan Jia and Shijun Liang and Yuguang Yao and Saiprasad Ravishankar and Sijia Liu},
journal= {arXiv preprint arXiv:2303.12735},
year = {2023}
}
备注
Accepted by ICASSP 2023