不完全数据的变分流形学习：在多切片动态MRI中的应用
图像与视频处理
2021-12-13 v3
摘要
当前基于深度学习的流形学习算法，如变分自编码器（VAE），需要完全采样的数据来学习真实世界数据集的概率密度。一旦学习完成，该密度可用于多种任务，包括数据插补。然而，在包括本工作所考虑的动态和高分辨率MRI数据恢复在内的多种问题中，完全采样数据往往不可得。为克服该问题，我们引入一种新颖的变分方法，从欠采样数据中学习流形。VAE使用由潜向量驱动的解码器，潜向量从利用编码器从完全采样图像估计的条件密度中抽取。由于在 our 设定中完全采样图像不可用，我们通过参数化模型近似潜向量的条件密度，其参数利用反向传播从欠采样测量中估计。我们将该框架用于从高度欠采样测量中联合对齐与恢复多切片自由呼吸且无门控的心脏MRI数据。当前大多数自门控与流形心脏MRI方法考虑从每个切片独立恢复图像；这些方法无法利用数据集中的切片间冗余，并需要复杂的后处理或手动方法以对齐不同切片的图像。相比之下，所提方案能够对齐多切片数据并利用冗余。实验结果证明了所提方案在动态成像对齐与重建中的效用。
引用
@article{arxiv.2101.08196,
title = {Variational manifold learning from incomplete data: application to multislice dynamic MRI},
author = {Qing Zou and Abdul Haseeb Ahmed and Prashant Nagpal and Sarv Priya and Rolf Schulte and Mathews Jacob},
journal= {arXiv preprint arXiv:2101.08196},
year = {2021}
}