T2LR-Net：一种学习变换张量低秩先验用于动态 MR 图像重建的展开网络
图像与视频处理
2025-01-14 v2 计算机视觉与模式识别
机器学习
摘要
张量低秩先验在动态 MR 重建中引起了相当的关注。张量低秩方法保留了数据固有的高维结构，从而能够改进内在低秩特征的提取与利用。然而，当前大多数方法仍局限于在图像域或预定义变换域中利用低秩结构。通过人工设计一种适应动态 MRI 重建的最优变换 inherently 具有挑战性。本文中，我们提出了一种深度展开网络，利用卷积神经网络（CNN）自适应地学习变换域以利用张量低秩先验。在监督机制下，张量低秩域的学习直接由重建精度引导。具体而言，我们将传统的 t-SVD 推广到基于任意高维酉变换的变换版本，并引入一种新颖的酉变换张量核范数（UTNN）。随后，我们提出了一种基于 UTNN 的动态 MRI 重建模型，并利用 ADMM 设计了高效的迭代优化算法，最终将其展开为所提出的 T2LR-Net。在两个动态心脏 MRI 数据集上的实验表明，T2LR-Net 优于基于最优化和基于展开网络的现有最优（SOTA）方法。
引用
@article{arxiv.2209.03832,
title = {T2LR-Net: An unrolling network learning transformed tensor low-rank prior for dynamic MR image reconstruction},
author = {Yinghao Zhang and Peng Li and Yue Hu},
journal= {arXiv preprint arXiv:2209.03832},
year = {2025}
}
备注
12 pages, 10 figures, 7 tables, accepted by Computers in Biology and Medicine