PS-Net: Learned Partially Separable Model for Dynamic MR Imaging

要約

低ランク正則化によって駆動される深層学習法は、動的磁気共鳴（MR）イメージングにおいて魅力的な性能を達成している。しかし、これらの手法のほとんどは、手作業で作成された核ノルムによって低ランク事前分布を表現しており、固定正則化パラメータによってデータセット全体にわたって低ランク事前分布を正確に近似することができない。本論文では，動的MRイメージングのための学習型低ランク手法を提案する．特に、部分分離可能（PS）モデルのための半二次分割法（HQS）アルゴリズムをネットワークに展開し、その中で低ランクを学習可能なヌル空間変換によって適応的に特徴付ける。心臓シネデータセットに対する実験では、提案モデルが、定量的にも定性的にも、最先端の圧縮センシング（CS）手法や既存の深層学習手法を上回ることが示された。

要約(オリジナル)

Deep learning methods driven by the low-rank regularization have achieved attractive performance in dynamic magnetic resonance (MR) imaging. However, most of these methods represent low-rank prior by hand-crafted nuclear norm, which cannot accurately approximate the low-rank prior over the entire dataset through a fixed regularization parameter. In this paper, we propose a learned low-rank method for dynamic MR imaging. In particular, we unrolled the semi-quadratic splitting method (HQS) algorithm for the partially separable (PS) model to a network, in which the low-rank is adaptively characterized by a learnable null-space transform. Experiments on the cardiac cine dataset show that the proposed model outperforms the state-of-the-art compressed sensing (CS) methods and existing deep learning methods both quantitatively and qualitatively.

arxiv情報

提供元, 利用サービス

arxiv.jp, DeepL