WKGM：用于并行成像重建的权重-k空间生成模型
图像与视频处理
2022-11-28 v4 计算机视觉与模式识别
摘要
近年来，基于深度学习的并行成像（PI）在加速磁共振成像（MRI）方面取得了重大进展。然而，现有方法仍存在一些局限，例如鲁棒性和灵活性严重不足。本工作中，我们提出一种方法，通过鲁棒生成建模探索 k 空间域学习以实现灵活的免校准 PI 重建，称为权重-k空间生成模型（WKGM）。具体而言，WKGM 是一种广义 k 空间域模型，其中高效地结合了 k 空间加权技术和高维空间增强设计用于基于分数的生成模型训练，从而获得良好且鲁棒的重建。此外，WKGM 具有灵活性，因此可与各种传统 k 空间 PI 模型协同结合，充分利用多线圈数据间的相关性并实现免校准 PI。尽管我们的模型仅用 500 幅图像训练，但在不同采样模式和加速因子下的实验结果表明，WKGM 凭借良好学习的 k 空间生成先验可达到最先进的重建结果。
引用
@article{arxiv.2205.03883,
title = {WKGM: Weight-K-space Generative Model for Parallel Imaging Reconstruction},
author = {Zongjiang Tu and Die Liu and Xiaoqing Wang and Chen Jiang and Pengwen Zhu and Minghui Zhang and Shanshan Wang and Dong Liang and Qiegen Liu},
journal= {arXiv preprint arXiv:2205.03883},
year = {2022}
}
备注
11pages, 12 figures