【深度学习】DONet：用于快速MR图像重建的双倍频域网络

小黑导读

论文是学术研究的精华和未来发展的明灯。小黑决心每天为大家带来经典或者最新论文的解读和分享，旨在帮助各位读者快速了解论文内容。个人能力有限，理解难免出现偏差，建议对文章内容感兴趣的读者，一定要下载原文，了解具体内容。

摘要

磁共振(MR)图像采集是一个长期的过程，其加速度一直是研究的课题。这通常是通过并行成像同时获得多个欠采样图像来实现的。在本文中，作者提出了一种双倍频网络(DONet)，它能够从MR数据的实分量和虚分量中学习多尺度的空间频率特征，以实现快速的并行MR图像重建。更具体地说，作者的DONet由一系列双八度卷积(Dual-OctConv)组成，它们以密集的方式连接，以便更好地重用特征。在每个Dual-OctConv中，输入特征映射和卷积核首先被分成两个分量(即实分量和虚分量)，然后根据它们的空间频率分为4组。然后，作者的Dual-OctConv进行组内信息更新和组间信息交换，以聚合不同组间的上下文信息。作者的框架提供了三个吸引人的好处:(i)它鼓励在不同空间频率上的真实和虚构成分之间的信息交互和融合，以实现更丰富的表征能力。(ii)每个Dual-OctConv中实群和虚群之间的紧密连接通过特征重用使得特征的传播更加有效。(iii) DONet通过学习实分量和虚分量的多重空间频率特征来扩大感受域。在不同欠采样模式和加速度条件下，对两种常用数据集(临床膝关节和fastMRI)进行了大量实验，证明了该模型在并行磁共振图像加速重建方面的优越性。

论文创新点

作者的主要贡献有三方面:

首先，作者提出了一种新的DONet，该DONet包含多个密集连接的双octconvs以实现多频率特征重用，并证明了它们捕获多尺度上下文信息的能力。

其次，作者利用双octconv在多频表示空间中处理复值输入，并鼓励不同频域的信息交换和融合。双octconv是标准复卷积的一种推广，并赋予了作者的模型几个吸引人的特点(例如，更大的接受域，更高的灵活性和更高的计算效率)。

第三，作者的模型在临床膝关节数据集和fastMRI数据集上显示了与最先进的算法相比的显著性能改进。

框架结构

并行MR图像重建DONet的架构。输入是一组充满零的多线圈k-space测量值，输出是重建的多通道MR图像。IFT表示二维傅里叶反变换。

作者的双octconv块的详细设计。

Dual-OctConv内核。红色和蓝色方块分别对应虚核和实核。

实验结果

比较不同方法在一维欠采样模式和3加速速率下的重建精度。在PSNR/SSIM中给出了重建结果和相应的误差图。

比较不同方法在二维欠采样模式和4和5加速速率下的重建精度。在PSNR/SSIM中给出了重建结果和相应的误差图。

结论

在这项工作中，作者关注的空间频率特征表达复值数据的并行磁共振图像重建。为此，作者提出了一种具有一系列新的双octconv操作的DONet，用于处理多个空间频率上数据的实和虚分量。通过对不同空间分辨率下的实分量和虚分量的特征映射进行卷积，提出的Dual-OctConv有助于DONet学习更全面的特征表示，获得高质量的重建图像，显著减少伪影。在不同的欠采样模式和加速度设置下，作者在活体膝关节和快速mri数据集上进行了广泛的实验。结果表明，作者的模型的优势相对于最新的方法在加速磁共振图像重建。

论文链接：https://arxiv.org/pdf/2105.05980.pdf

每日坚持论文分享不易，如果喜欢我们的内容，希望可以推荐或者转发给周围的同学。

—END—

声明：部分内容来源于网络，仅供读者学术交流之目的。文章版权归原作者所有。如有不妥，请联系删除。


往期
精彩回顾




适合初学者入门人工智能的路线及资料下载
(图文+视频)机器学习入门系列下载
深度学习笔记等打印" data-itemshowtype="5" tab="innerlink" data-linktype="2" hasload="1" data-darkmode-bgcolor-16019459903493="rgb(25, 25, 25)" data-darkmode-original-bgcolor-16019459903493="rgb(255, 255, 255)" data-darkmode-color-16019459903493="rgb(39, 84, 255)" data-darkmode-original-color-16019459903493="rgb(2, 30, 170)" data-style="outline: 0px; color: rgb(2, 30, 170); -webkit-tap-highlight-color: rgba(0, 0, 0, 0); cursor: pointer; max-width: 100%; box-sizing: border-box !important; overflow-wrap: break-word !important;" wah-hotarea="click" data-darkmode-bgcolor-16359090834904="rgb(25, 25, 25)" data-darkmode-original-bgcolor-16359090834904="#fff|rgb(255, 255, 255)" data-darkmode-color-16359090834904="rgb(39, 84, 255)" data-darkmode-original-color-16359090834904="#fff|rgb(0, 0, 0)|rgb(62, 62, 62)|rgb(0, 0, 0)|rgb(51, 141, 175)|rgb(0, 0, 0)|rgb(2, 30, 170)|rgb(2, 30, 170)" style="outline: 0px;color: rgb(2, 30, 170);-webkit-tap-highlight-color: rgba(0, 0, 0, 0);cursor: pointer;max-width: 100%;letter-spacing: 0.54px;box-sizing: border-box !important;overflow-wrap: break-word !important;">机器学习及深度学习笔记等资料打印
《统计学习方法》的代码复现专辑
机器学习交流qq群955171419，加入微信群请扫码