Neural Information Processing Systems· 2016

Derin ADMM-Net ile Kompresif Algılama MRG

Deep ADMM-Net for compressive sensing MRI

Yan Yang, Jian Sun, Huibin Li, Zongben Xu

952atıf
2016yıl

Kısa özet

ADMM-Net adlı yeni bir derin öğrenme mimarisi, geleneksel ADMM algoritmalarına kıyasla daha iyi doğruluk ve hızla, az örneklenmiş verilerden MRG görüntüleri yeniden oluşturur.

Yapay zekâ ile başlık ve abstract'tan üretildi; tam metin okunmaz.

Ana noktalar

Kompresif algılama MRG yeniden yapılandırması için yeni bir derin mimari olan ADMM-Net önerilmiştir.
ADMM-Net, ADMM algoritmasının iteratif prosedürlerinden türetilmiştir.
Tüm ağ parametreleri L-BFGS kullanılarak uçtan uca ayrımcı bir şekilde eğitilir.
Temel ADMM'ye göre yeniden yapılandırma doğruluğu ve hesaplama hızında önemli iyileştirmeler sağlar.
Çeşitli k-uzayı örnekleme oranlarında etkililiğini göstermiştir.

Yapay zekâ ile başlık ve abstract'tan üretildi; tam metin okunmaz.

Özet (abstract)

Compressive Sensing (CS) is an effective approach for fast Magnetic Resonance Imaging (MRI). It aims at reconstructing MR image from a small number of under-sampled data in k-space, and accelerating the data acquisition in MRI. To improve the current MRI system in reconstruction accuracy and computational speed, in this paper, we propose a novel deep architecture, dubbed ADMM-Net. ADMM-Net is defined over a data flow graph, which is derived from the iterative procedures in Alternating Direction Method of Multipliers (ADMM) algorithm for optimizing a CS-based MRI model. In the training phase, all parameters of the net, e.g., image transforms, shrinkage functions, etc., are discriminatively trained end-to-end using L-BFGS algorithm. In the testing phase, it has computational overhead similar to ADMM but uses optimized parameters learned from the training data for CS-based reconstruction task. Experiments on MRI image reconstruction under different sampling ratios in k-space demonstrate that it significantly improves the baseline ADMM algorithm and achieves high reconstruction accuracies with fast computational speed.

Yazarların özeti; kaynağından alınmıştır. Neural Information Processing Systems, 2016 · DOI ↗

ÇıkarımlarPremium

Makaleye SorÜcretsiz hesapla