论文部分内容阅读
从高度欠采样的磁共振采样数据重建出高质量的图像一直是磁共振成像(Magnetic Resonance Imaging,MRI)中的热点问题,这对于减少采集时间以减少病人等待时间非常重要。但是,随着k空间采样率的下降,由于不适定的问题,我们可能会面临多种挑战,例如噪声放大,对象边缘模糊和混叠伪像。受深度学习具有良好效果的启发,本论文研究基于深度学习的磁共振快速成像无监督学习方法。在无监督学习方法中,其目标是通过网络训练来学习完全采样图像的概率分布,然后将网络学习的图像先验作为显式约束来约束图像重建框架。我们利用网络学习先验信息作为MRI重建的正则化项。去噪自编码器(Denoising Autoencoder,DAE)由于其灵活的表示扩展和出色的图像恢复鲁棒性而在我们的迭代重建过程中被用作有效先验DAEP(Denoising Autoencoding Priors)。本篇论文的主要贡献如下:(1)这是首次在磁共振成像重建中引入DAEP。与最近采用基于端到端的卷积神经网络的方法不同,我们使用深度学习网络作为一种工具来学习常规的先验信息并将其合并到受约束的重建框架中。因此,一旦获得了通过网络学习的图像先验,就可以将其应用于具有不同采样轨迹和加速因子的重建任务,并且可以保证有较好的重建结果。(2)更重要的是,我们提出了两种先进的策略来增强DAEP,称为EDAEP(Enhanced DAEP)。首先,考虑到高维流形学习可能有利于图像先验的更精确表示,我们通过变量增强技术在网络训练的高维场景中学习先验,并将其用于原始的单通道图像重建任务。其次,认识到噪声分布是影响DAE先验的最重要参数,并且噪声级别的不同实现可能会偏向于不同的图像特征,因此联合采用了两个西格玛规则和平均技术来提高先验的鲁棒性。在不同的采样轨迹和加速因子下的实验结果表明:增强的自编码先验技术在峰值信噪比(PSNR),结构相似度(SSIM)和高频误差范数(HFEN)方面具有优越性。与最新技术相比,该技术可以有效地提高重建质量,并且在细节保留方面具有出色的性能。