T$^2$LR-Net: An Unrolling Reconstruction Network Learning Transformed Tensor Low-Rank prior for Dynamic MR Imaging

要約

高次元データ処理において、テンソル低ランク事前分布を利用した手法はブームとなっており、満足のいく性能を得ているが、動的磁気共鳴（MR）画像再構成への応用は限定的である。本論文では、高速フーリエ変換に基づくテンソル特異値分解（t-SVD）に焦点を当て、FFT領域における明確かつ限定的なテンソル低ランク事前分布を提供するだけで、データとFFT領域がいかに密接に一致するかに大きく依存している。FFTを変換t-SVDの任意の単位変換に一般化し、変換テンソル核ノルム（TTNN）を提案することにより、より大きな変換空間で変換領域のテンソル低ランク事前分布を利用する能力を持つTTNNに基づく柔軟なモデルを導入し、交互方向乗数法（ADMM）に基づく反復最適化アルゴリズムを緻密に設計し、さらにモデルベースの深い展開再構成ネットワークに展開し変換テンソル低ランク事前分布を学習する（T$^2$LR-Net).T$^2$LR-Netには畳み込みニューラルネットワーク（CNN）が組み込まれており、ダイナミックMR画像データセットからベストマッチの変換を学習する。また、アンローリング再構成ネットワークは、CNNで抽出された特徴領域の低ランク事前分布を利用することで、低ランク事前分布の利用について新たな視点を提供する。2つの心臓シネMRデータセットに対する実験結果は、提案フレームワークが、最先端の最適化ベース及びアンローリングネットワークベースの手法と比較して、改善された復元結果を提供できることを実証している。

要約(オリジナル)

While the methods exploiting the tensor low-rank prior are booming in high-dimensional data processing and have obtained satisfying performance, their applications in dynamic magnetic resonance (MR) image reconstruction are limited. In this paper, we concentrate on the tensor singular value decomposition (t-SVD), which is based on the Fast Fourier Transform (FFT) and only provides the definite and limited tensor low-rank prior in the FFT domain, heavily reliant upon how closely the data and the FFT domain match up. By generalizing the FFT into an arbitrary unitary transformation of the transformed t-SVD and proposing the transformed tensor nuclear norm (TTNN), we introduce a flexible model based on TTNN with the ability to exploit the tensor low-rank prior of a transformed domain in a larger transformation space and elaborately design an iterative optimization algorithm based on the alternating direction method of multipliers (ADMM), which is further unrolled into a model-based deep unrolling reconstruction network to learn the transformed tensor low-rank prior (T$^2$LR-Net). The convolutional neural network (CNN) is incorporated within the T$^2$LR-Net to learn the best-matched transform from the dynamic MR image dataset. The unrolling reconstruction network also provides a new perspective on the low-rank prior utilization by exploiting the low-rank prior in the CNN-extracted feature domain. Experimental results on two cardiac cine MR datasets demonstrate that the proposed framework can provide improved recovery results compared with the state-of-the-art optimization-based and unrolling network-based methods.

arxiv情報

提供元, 利用サービス

arxiv.jp, DeepL