a-deep-cascade-of-convolutional-neural-networks-for-dynamic-mr-image-reconstruction-2017-200118.md

Paper:

A Deep Cascade of Convolutional Neural Networks for Dynamic MR Image Reconstruction

Author:

Jo Schlemper, Jose Caballero, Joseph V. Hajnal, Anthony N. Price, and Daniel Rueckert

Year:

2017

Notes:

阅读日期：2020.01.18

精读。这篇文章研究的是动态 MRI 重建。作者使用的方法是 cascade 结构的网络。作者将重建问题当作是 de-aliasing 问题和 data fidelity 两个子问题，前者用神经网络实现，后者用常见的 data fidelity 的处理办法。因为是动态 MRI，如果考虑多帧同时训练，作者使用了 3D 卷积（如果是单张图片生成就无需考虑这部分），并且在 data fidelity 层，考虑了一般动态mri重建中使用的 data sharing 方法（即用相邻帧的kspace 数据来填补当前帧的缺失kspace 系数）

data fidelity 项的数学表达：

这个闭式解就是 kspace 上的填补，$s_{rec}$ 是重建的kspace 系数。（作者还分析了 data fidelity 对应的求导计算）

关于多帧的data sharing，作者的具体做法是，对输出的所有帧图像（某个CNN的输出，多个通道），先通过 kspace 的sharing 调整结果（只对未采样的kspace 系数做填补，用相邻帧的kspac数据的平均），这部分就是将原来的 data fidelity 层稍微改变一下，适应动态 mri 的情形。调整完之后再作为下一个CNN 的输入。

网络的初始输入是zero-fill重建。训练时的损失函数是图像的2范数。复数使用双通道的方式处理。

整体的网络结构（每个 CNN 还包含 residual learning 的结构）

实验方面，作者做了很多控制变量的实验，探究不同设定的表现差异。不过这方面的结果基本符合一般的直觉。

CNN 充当的就是一个 proximal 算子。

Bibtex:

@article{schlemper2017deep,
  title={A deep cascade of convolutional neural networks for dynamic MR image reconstruction},
  author={Schlemper, Jo and Caballero, Jose and Hajnal, Joseph V and Price, Anthony N and Rueckert, Daniel},
  journal={IEEE transactions on Medical Imaging},
  volume={37},
  number={2},
  pages={491--503},
  year={2017},
  publisher={IEEE}
}