数据与模型双驱动的高效鲁棒重构算法：压缩感知MRI新突破

本文主要介绍了一种新的高效鲁棒重构算法，该算法针对传统的压缩感知磁共振成像（Compressed Sensing Magnetic Resonance Imaging, CS-MRI）重构方法的低计算效率和深度学习方法的泛化能力不足的问题。传统的CS-MRI算法依赖于先验知识构造和迭代求解，而深度学习方法则需要大量训练数据和特定结构设计，这限制了其在不同场景下的应用。新提出的算法结合了模型驱动和数据驱动的优势，实现了领域知识与深度信息的深度融合，以提高重构质量和计算效率。 新算法的核心在于从互补的角度处理细节恢复和伪影去除两个关键问题。它通过构建模型驱动的先验表达过程来处理细节恢复，利用数据驱动的深度预测过程来去除伪影。这种分离处理的方式使得算法能够更有效地捕捉图像特征。此外，通过交替迭代的求解机制，算法能及时修正中间结果，引导解序列向理想的目标解方向逐步接近，从而提高了重构的准确性。 实验结果显示，对于T1加权和T2加权的数据，该算法在不同的采样模板和采样频率下均表现出更高的重构精度。与现有的先进算法相比，无论是在GPU还是CPU上，其计算效率都有显著提升。此外，算法还显示出对采样部位差异和莱斯噪声干扰的强鲁棒性，这意味着它能在各种复杂条件下保持稳定的表现。 论文作者包括张宇夕、马龙、刘日升、程世超、樊鑫和罗钟铉，他们来自大连理工大学、辽宁省泛在网络与服务软件重点实验室、大连理工大学数学科学学院以及桂林电子科技大学人工智能研究所。该研究得到了国家自然科学基金的支持。 总结来说，这项工作为CS-MRI重构提供了一个新的高效且鲁棒的解决方案，通过模型与数据的双驱动策略，解决了传统方法的效率问题并增强了深度学习方法的泛化能力，为未来在医学成像领域的应用提供了新的可能。