T2LR-Net:一个展开的网络学习转换张量低等级的动态MR图像重建前
Yinghao Zhang1, Peng Li1, Yue Hu1
1School of Electronics and Information Engineering, Harbin Institute of Technology, Harbin, China.
Computers in biology and medicine
|February 1, 2024
概括
这项研究介绍了T2LR-Net,这是一个用于动态MRI重建的新型深度展开网络. 它适应性地学习张量低等级先验的最佳转换,显著提高重建的准确性.
科学领域:
- 医疗成像医学成像
- 人工智能的人工智能
- 信号处理 信号处理
背景情况:
- 动态MRI重建从张量低级先验中受益,但受到固定转换域的限制.
- 动态MRI最佳转换的手动设计是具有挑战性和次优的.
研究的目的:
- 为动态MRI重建提出一个深度展开网络,以适应性学习最佳转换域.
- 通过学习可适应的转换,更有效地利用张量低级先验.
主要方法:
- 开发了一个使用卷积神经网络 (CNN) 学习转换域的深度展开网络 (T2LR-Net).
- 将通用张量单数值分解 (t-SVD) 转换为单元化转换版本,引入单元化转换张量核规范 (UTNN).
- 实现了一个基于ADMM的优化算法,并展开到T2LR-Net架构中.
主要成果:
- 与现有的基于优化和展开网络方法相比,T2LR-Net表现出更高的性能.
- 转换域的适应性学习显著增强了低级特征的提取.
- 对心脏MRI数据集的实验验验证了拟议方法的有效性.
结论:
- 拟议的T2LR-Net有效地解决了动态MRI重建的局限性,通过适应性学习对张量低等级先验的转换域.
- 这种方法为提高动态MRI的准确性和效率提供了一个强大的新工具.
- 该方法对需要高质量的动态MRI数据的临床应用具有重大潜力.
