A Deep Cascade of Convolutional Neural Networks for Dynamic MR Image Reconstruction
Jo Schlemper, Jose Caballero, Joseph V. Hajnal, Anthony N. Price, and Daniel Rueckert
2017
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。
@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}
}