Edge-weighted pFISTA-Net for MRI Reconstruction

要約

アンロール アルゴリズムに基づくディープ ラーニングは、高速磁気共鳴画像法 (MRI) の効果的な方法として機能しています。
ただし、多くの方法では、エッジ情報を直接使用して MRI 再構成を支援することを無視しています。
この作業では、検出されたエッジ マップを pFISTA-Net のソフトしきい値部分に直接適用するエッジ加重 pFISTA-Net を提示します。
異なる領域のソフトしきい値は、エッジ マップに従って調整されます。
公開されている脳データセットの実験結果は、提案された方法が、最先端の深層学習ベースの方法と比較して、エラーが少なく、アーティファクト抑制が優れた再構成をもたらすことを示しています。
エッジ加重 pFISTA-Net は、さまざまなアンダーサンプリング マスクとエッジ検出演算子の堅牢性も示しています。
さらに、エッジ加重構造を共同再構成およびセグメンテーション ネットワークに拡張し、改善された再構成パフォーマンスとより正確なセグメンテーション結果を取得します。

要約(オリジナル)

Deep learning based on unrolled algorithm has served as an effective method for accelerated magnetic resonance imaging (MRI). However, many methods ignore the direct use of edge information to assist MRI reconstruction. In this work, we present the edge-weighted pFISTA-Net that directly applies the detected edge map to the soft-thresholding part of pFISTA-Net. The soft-thresholding value of different regions will be adjusted according to the edge map. Experimental results of a public brain dataset show that the proposed yields reconstructions with lower error and better artifact suppression compared with the state-of-the-art deep learning-based methods. The edge-weighted pFISTA-Net also shows robustness for different undersampling masks and edge detection operators. In addition, we extend the edge weighted structure to joint reconstruction and segmentation network and obtain improved reconstruction performance and more accurate segmentation results.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google