基于最优传输驱动 CycleGAN 的未配对深度学习用于加速 MRI
图像与视频处理
2020-09-01 v1 计算机视觉与模式识别
机器学习
机器学习
摘要
近来，加速 MRI 的深度学习方法因其高性能重建和显著降低的运行复杂度而被广泛研究。这些神经网络通常以监督方式训练，因此需要子采样与全采样 k 空间数据的匹配对。不幸的是，获取匹配的全采样 k 空间数据通常很困难，因为全采样 k 空间数据的采集需要较长扫描时间且常导致采集协议改变。因此，无需匹配标签数据的未配对深度学习已成为非常重要的研究课题。本文提出一种使用最优传输驱动的循环一致生成对抗网络（OT-cycleGAN）的未配对深度学习方法，其采用单对生成器和判别器。所提 OT-cycleGAN 架构由使用专门设计的惩罚最小二乘代价的最优传输公式的对偶形式严格导出。实验结果表明，我们的方法能够从单线圈和多线圈采集的加速 k 空间数据重建高分辨率 MR 图像，且无需匹配参考数据。
引用
@article{arxiv.2008.12967,
title = {Unpaired Deep Learning for Accelerated MRI using Optimal Transport Driven CycleGAN},
author = {Gyutaek Oh and Byeongsu Sim and Hyungjin Chung and Leonard Sunwoo and Jong Chul Ye},
journal= {arXiv preprint arXiv:2008.12967},
year = {2020}
}
备注
Accepted for IEEE Transactions on Computational Imaging