使用局部凸多尺度能量 (LC-MUSE) 模型的MAP图像恢复与保证
Jyothi Rikhab Chand1,2, Mathews Jacob2
1Department of Electrical and Computer Engineering, University of Iowa, IA, USA.
概括
我们为反向问题开发了一种新的多尺度深层能量模型,确保独特的解决方案和融合. 这种局部凸多尺度能量 (LC-MuSE) 模型增强了磁共振图像的重建.
科学领域:
- 医疗成像医学成像
- 机器学习 机器学习
- 应用数学 应用数学 应用数学
背景情况:
- 反向问题在科学成像中至关重要.
- 对于反向问题的现有方法往往缺乏保证的收性或稳定性.
- 深度学习模型提供了潜力,但需要仔细制定稳定性.
研究的目的:
- 为概率密度表示引入一种新的多尺度深能量模型.
- 将这个模型应用于基于图像的反向问题,特别是磁共振 (MR) 图像重建.
- 为了确保理想的特性,如解决方案的独特性,融合保证和稳定性.
主要方法:
- 开发了一个多尺度的深层能源模型,局部凸起.
- 使用具有单调梯度的卷积神经网络 (CNN) 参数化模型.
- 制定了负日志前作为这个局部凸的多层次能源模型 (LC-MuSE).
主要成果:
- LC-MuSE模型在数据组件周围显示出强大的凸度.
- 在MRI图像重建中,该方法与凸调节器相比,实现了更高的性能.
- 性能与最先进的Plug-and-Play和端到端训练方法相美.
结论:
- 拟议的LC-MuSE模型为反向问题提供了强大而理论上健全的方法.
- 它在MRI图像重建中比现有的凸形方法具有显著的优势.
- 该模型的属性确保可靠和准确的图像重建.
