MODEL BASED IMAGE RECONSTRUCTION USING DEEP LEARNED PRIORS (MODL).
MODEL BASED IMAGE RECONSTRUCTION USING DEEP LEARNED PRIORS (MODL).
复制标题
DOI：
10.1109/isbi.2018.8363663
复制
发表时间：
2018-04
期刊：
影响因子：
--
通讯作者：
Jacob M
中科院分区：
文献类型：
--
作者：
Aggarwal HK;Mani MP;Jacob M
我们引入了一个基于模型的图像重建框架，其中我们使用基于深度卷积神经网络（CNN）的正则化先验。我们依赖于递归算法，该算法在基于CNN的去噪步骤和数据一致性的执行之间交替。展开递归算法会产生一个使用反向传播训练的深度网络。该方法的独特之处在于每次迭代时使用相同的CNN权重，这使得所得结构与基于模型的公式一致。此外，这种方法减少了可训练参数的数量，从而降低了所需的训练数据量。前向模型的使用还减小了网络的大小，并且使得能够利用可从校准数据获得的附加先验信息。与其他最先进的方法相比，多通道MRI重建框架的使用提供了改进的重建。
We introduce a model-based image reconstruction framework, where we use a deep convolution neural network (CNN) based regularization prior. We rely on a recursive algorithm, which alternates between a CNN based denoising step and enforcement of data consistency. Unrolling the recursive algorithm yields a deep network that is trained using backpropagation. The unique aspect of this method is the use of the same CNN weights at each iteration, which makes the resulting structure consistent with the model-based formulation. Also, this approach reduces the number of trainable parameters, which hence lower the amount of training data needed. The use of a forward model also reduces the size of the network and enables the exploitation additional prior information available from calibration data. The use of the framework for multichannel MRI reconstruction provides improved reconstructions, compared to other state-of-the-art methods.
登录
查看更多内容
影响因子：
10.6
作者：
Jin, Kyong Hwan;McCann, Michael T.;Unser, Michael
通讯作者：
Unser, Michael
影响因子：
10.6
作者：
Lingala SG;Hu Y;DiBella E;Jacob M
通讯作者：
Jacob M
影响因子：
5.4
作者：
Ravishankar, Saiprasad;Bresler, Yoram
通讯作者：
Bresler, Yoram
影响因子：
5.4
作者：
Chan, Stanley H.;Wang, Xiran;Elgendy, Omar A.
通讯作者：
Elgendy, Omar A.
DOI：
10.1109/isbi.2012.6235741
发表时间：
2012
期刊：
Proceedings. IEEE International Symposium on Biomedical Imaging
影响因子：
--
作者：
Goud Lingala S;Jacob M
通讯作者：
Jacob M