用于动态MR成像的双域通用生成建模
图像与视频处理
2022-12-16 v1 计算机视觉与模式识别
摘要
从不完整 k 空间数据重建动态磁共振图像因其能减少扫描时间而引发极大研究兴趣。然而，由于该重建问题的不适定性，其仍具挑战性。近来，扩散模型尤其是基于分数的生成模型在算法鲁棒性与使用灵活性上展现出巨大潜力。此外，通过方差爆炸随机微分方程（VE-SDE）提出的统一框架得以实现新的采样方法并进一步扩展基于分数的生成模型的能力。因此，借助该统一框架，我们提出一种 k 空间与图像双域协同通用生成模型（DD-UGM），其将基于分数的先验与低秩正则化惩罚结合以重建高度欠采样测量数据。更确切地说，我们通过通用生成模型从图像与 k 空间域提取先验分量，并自适应处理这些先验分量以实现更快处理，同时保持良好的生成质量。实验对比展示了所提方法的噪声抑制与细节保持能力。不仅如此，DD-UGM 仅通过训练单帧图像即可重建不同帧的数据，这体现了所提模型的灵活性。
引用
@article{arxiv.2212.07599,
title = {Universal Generative Modeling in Dual-domain for Dynamic MR Imaging},
author = {Chuanming Yu and Yu Guan and Ziwen Ke and Dong Liang and Qiegen Liu},
journal= {arXiv preprint arXiv:2212.07599},
year = {2022}
}
备注
12 pages, 11 figures