分割感知深度融合网络实现压缩感知MRI

一种用于压缩感知MRI的范志文1、孙丽艳1、丁兴浩1、黄跃1、蔡聪波1、约翰·佩斯利21福建厦门大学福建省智慧城市感知与计算重点实验室dxh@xmu.edu.cn2美国纽约哥伦比亚大学电气工程系抽象。压缩感知MRI是计算成像领域中的经典逆问题，通过测量较少的k空间数据来加速MR成像。深度神经网络模型提供了与“隐藏”操作相比更强的表示能力和更快的重建。 然而，在基于Deep的CS-MRI模型中，忽略了来自MRI数据集中的海量分割标签的高级语义监督信息。在本文中，我们提出了一个分割感知的深度融合网络称为SADFN的压缩感知MRI。本文引入多层特征聚合（MLFA）方法，融合分割网络中不同层然后，采用特征融合策略将包含语义信息的聚合特征图提供给重构网络中的每一层这保证了重建网络知道其重建的图像中的不同区域，从而简化了函数映射。通过对比研究，证明了跨层、跨任务信息融合策略的实用性。 对大脑分割基准MRBrainS和BratS15的广泛实验验证了所提出的SADFN模型在压缩感测MRI中实现了最先进的准确性。本文提供了一种利用中、高级任务信息指导低级视觉任务的新方法。关键词：压缩感知·磁共振成像·医学图像分割·深度神经网络1介绍磁共振成像（MRI）是一种用于放射学的医学成像技术，用于产生人体解剖图像，具有以下优点低辐射、软组织高分辨率和多种成像模式。然而，MRI的主要限制是成像速度慢，当成像对象有意识或无意识地移动时，这会导致运动伪影[1]。在k-t空间的高分辨率在动态中也难以实现共同第一作者贡献相等。2W. Fan等人2(a) 全采样 （b）欠采样（c）分段标签(d)全血（e）BG（f）GM（g）WM（h）CSF(i)全血（j）BG（k）GM（l）WM（m）CSFFig. 1.图1（a）中的全采样MR图像、图1（b）中的欠采样对应物以及图1（c）中的分割标签。我们在训练MRI数据集上绘制欠采样MRI（第二行）和全采样MRI（第三行）的直方图。MRI，因为成像周期长[2]。因此，引入压缩感测技术，通过测量较少的k空间样本来加速MRI，称为压缩感测MRI（CS-MRI）[3]。CS-MRI是计算成像中的经典逆问题，需要适当的正则化以进行精确重建。标准CS-MRI可以被公式化为Σx=argminFux−y2+XαiΨi（x），（1）我其中，x∈CP×1是要重建的复值MR图像，Fu∈CM×P是欠采样傅里叶算子，y∈CM×1（MP）是MRI算法的k空间，Ψ i是精确的先验形式，αi是平衡数据保真度项和先验项的参数。第一数据保真度项确保重建图像的傅立叶系数与测量的k空间数据之间的一致性，而第二先验项正则化重建以促进某些图像属性，诸如变换域中的稀疏性。在传统的CS-MRI方法中，稀疏和非局部是用于原位逆恢复的常见先验，这带来了三个限制：（1）隐藏大量MRI数据集的常见复杂模式在容量限制下被忽略[ 4]。 （2）非局部采样算法的空间表征能力，难以区分图像的结构细节和欠 采 样 带 来 的 结构伪影。（3）一种用于压缩感知MRI的3传统的先验优化需要很长的时间来迭代以达到收敛，这带来了很长的重建时间消耗[5]。最近，在CS-MRI领域中引入了深度神经网络模型以克服常规CS-MRI方法的局限性。其中来自大量训练MRI数据集的信息可以在训练阶段以大模型容量编码在网络架构中。一旦网络被良好地训练，测试MRI数据的正向重建与基于常规稀疏先验的方法相比要快得多，因为不需要迭代。更重要的是，深度神经网络模型具有对图像中的语义信息进行建模的优点，为不同的视觉任务提供了一种适当的信息整合方法，然而，在现有的逆问题模型中很少考虑这一点，使得高级监督信息利用率很低，对后期的自动分析阶段造成负面影响。我们以分割信息为例，证明了在重建中引入高级监督信息的好处通常，MR图像中的不同组织不仅具有不同的诊断信息，而且还表现出不同的统计特性。在图1（a）和图1（b）中，我们显示全采样和相应的欠采样T1加权脑MR图像，其包含三个不同的标记组织：灰质（GM）、白质（WM）和脑脊液（CSF）。相应的GM、WM和CSF标记在图1（c）中的分割标记图中以绿色、黄色和红色示出显然，不同的区域显示不同的强度尺度。为了进一步量化这一现象，我们给出了所有训练MRI数据上的三种组织、背景（BG）和图1中第二/第三行中欠采样/全采样MRI数据的整个图像我们观察到GM、WM和CSF组织中的每一种在全采样和欠采样MRI数据上都具有简单的单模分布。由于深度神经网络通常学习从欠采样MR图像到其全采样对应物的函数映射通过学习单模分布之间的对应关系，可以大大简化函数映射然而，图1（d）和1（i）中的整个欠采样和全采样MRI的分布要复杂得多，使得函数映射的学习更加困难。在本文中，我们提出了一个分割感知的深度融合网络（SADFN）架构的压缩感知MRI融合语义监督信息在不同的深度从分割标签和传播的语义特征的重建网络中的每一层。主要贡献可总结如下：– 所提出的SADFN模型可以有效地融合来自不同层次的任务和深度的信息在所提出的框架下，MRI重建和分割精度都– 采用特征融合策略，将分割网络的语义信息提供给重构网络，帮助重构。4W. Fan等人结构网络能够知道它重构的内容并简化功能映射。– 我们采用多层特征聚合，有效地收集和提取信息，从不同的深度在分割网络。2相关工作2.1压缩感知MRI在CS-MRI的研究中，研究的重点是提出适当的规则化。在开创性工作SparseMRI [3]中，固定变换算子小波和全变分被用于等式1中的正则化。提出了更多的方法[6在文献[9-11]中，提出了小波变换的变体来自适应地利用MR图像中的几何信息。字典学习技术也用于原位自适应地对MR图像进行建模[5，12，13]。非局部先验也可以作为正则化器[14]引入，或者与[10]中的稀疏先验相结合。最近，在CS-MRI中引入了深度神经网络模型使用vanil-la深度卷积神经网络（CNN）来学习从零填充MR图像到全采样MR图像的函数映射[15]。此外，在[17]中利用修改的U-Net架构来学习残差上述基于深度的CS-MRI模型忽略了关于压缩测量中的采样位置的准确在[4]中，提出了一种深度级联CNN（DC-CNN），用于级联几个基本块来学习映射，每个块包含非线性卷积层和不可调整的数据保真度层。在数据保真层中，通过精确的k空间样本校正重建的MR图像。尽管已经使用DC-CNN模型实现了最先进的重建质量，但是来自MRI数据集中的手动标签的高级监督信息尚未被标记，仍然存在用于模型性能的改进的空间2.2MR图像分割利用MRI数据集的分割标签，提出了不同的模型来学习自动分割MR图像到测试集中的不同组织。与基于手动设计特征的传统分割方法相比，深度神经网络模型可以自动提取图像特征，从而获得更好的分割性能。最近，在[18]中提出了以端到端和像素到像素的方式训练的U形网络，称为U-Net在[19]中提出了其变体，其中2D操作被3D操作替换，称为3D U-Net。残差学习也用于[20]中的分割模型所述递归神经网络可以一种用于压缩感知MRI的5有效地对体积MR数据中的不同帧之间的关系进行建模可以引入医学图像分割[21，22]。在整个论文中，我们使用经典的2D U-网单帧MRI分割的单帧MRI重建，所提出的模型可以很容易地扩展到体积MRI数据。2.3多层要素聚合深度CNN可视化的工作[23]揭示了不同层的特征图以不同的尺度和视图描述图像。在传统的深度神经网络模型中，输出是基于模型的深层或甚至最后一层产生的，从而使包含来自不同尺度的信息的较低层中的特征未得到充分强调。在显著对象检测领域，多层特征聚合是一种用于集成来自网络中不同层的信息的流行方法[242.4高层次信息指导低层次任务在[16]中，MRI重建和分割被集成到单个目标函数中，从而改善了重建和分割。然而，基于稀疏的方法受到模型容量和缺乏语义表示的限制。近年来，一些工作致力于将低层次任务与高层次任务相结合。在[27]的工作中，在去噪网络之后级联了一个经过良好预训练的分割网络，然后优化分割和去噪的损失函数以训练去噪网络，而无需调整分割网络中的参数。在此模型下，去噪网络利用自动分割网络产生具有更高分割精度的去噪图像，而代价是恢复精度提高有限甚至退化。在AOD-Net [28]中，经过良好训练的去雾模型与更快的R-CNN联合优化，从而获得更好的检测和识别结果。3所提出的架构为了将来自分割标签的信息结合到MRI重建中，我们提出了分割感知深度融合网络（SADFN）。网络架构如图2所示。首先对重建网络和分割网络进行预训练。然后设计了一个分割感知的特征提取模块，利用特征融合策略为重构网络提供具有丰富分割信息的特征。3.1预训练的MRI重建网络如上所述，DC-CNN架构在重建精度和计算效率方面达到了最先进的性能我们训练一个6W. Fan等人¨块1深度融合网络+块2……块N输出零填充MR图像块分割感知特征提取模块1连续上采样+……块N预RecNetSegNet前SADFN第二语言损失3*3转换1*1转换复制&Concat融合特征数据保真度池化上采样Softmax层分段感知特征图二. SADFN模型的网络结构。具有N个级联块的DC-CNN网络每个块包含几个卷积层和一个数据保真度层。DC-CNN架构中的每个块的细节数据保真度层加强重建图像的k空间值与测量数据之间的一致性。细节也可以在[4]中找到注意，由于块中的全局残差学习，在最后卷积层中使用恒等函数为了简单，我们还将DC-CNN架构称为Pre-RecNet具有N个块的Pre-RecNet被称为Pre-RecNetN。我们训练表1. Pre-RecNet中块的参数设置层输入滤波器大小步幅数量的滤波器激活输出转换1240*2403*3132ReLU240*240*32转换2240*240*323*3132ReLU240*240*32转换3240*240*323*3132ReLU240*240*32转换4240*240*323*3132ReLU240*240*32Conv5240*240*323*311线性240*240数据保真度240*240N/AN/AN/AN/A240*240通过最小化以下欧几里得损失函数，使用欠采样和全采样训练数据对进行Pre-RecNetN.ΣLy，xfs;θ=Lré¨xfs−f.FHyΣ¨2.（二）记录ii r¨iLri=1θrui¨2Σ1一种用于压缩感知MRI的7我我其中，xfs是全采样MR图像，yi是训练批次中的欠采样k空间测量结果θr表示网络参数，Lr是训练批次中MRI数据的数量。3.2MRI分割网络为了充分利用分割监督信息，我们训练了一个自动分割网络。我们采用流行的U-Net架构作为分割模型，称为Pre-SegNet。Pre-SegNet的参数设置见表2。池化操作可以帮助网络提取表2.Pre-SegNet的参数设置层输入滤波器大小步幅数量的滤波器激活输出转换1240*2403*3132ReLU240*240*32转换2240*240*323*3132ReLU240*240*32最大合并1240*240*32N/A2N/AN/A120*120*32转换3120*120*323*3164ReLU120*120*64转换4120*120*643*3164ReLU120*120*64最大合并2120*120*64N/A2N/AN/A60*60*64Conv560*60*643*31128ReLU60*60*128Conv660*60*1283*31128ReLU60*60*128Deconv160*60*1283*3164ReLU120*120*64Conv7120*120*（64+64）3*3164ReLU120*120*64Conv8120*120*643*3164ReLU120*120*64Deconv2120*120*643*3132ReLU240*240*32Conv9240*240*（32+32）3*3132ReLU240*240*32Conv10240*240*323*3132ReLU240*240*32Conv11240*240*323*315线性240*240*5Softmax240*240*5N/AN/AN/AN/A240*240不同尺度的图像特征，并且对称级联用于将低层特征直接传播到高层，从而提供准确的定位。我们使用全采样MR图像及其相应的分割标签作为训练数据对，通过最小化以下像素交叉熵损失函数来L分段 .Σxfs，tgt;θsΣLsΣR ΣC=−tgt Intijc.（三）我我i=1j =1c =1IJC其中tgt是训练批次中的分割标签，ti是Pre-SegNet产生的相应分割结果。θs表示网络参数，Ls是训练批次中MRI数据的数量。C表示标签的类别数。以脑分割为例[29]，脑组织可以分为白质、灰质、脑脊液和背景。因此，对于分段，C为43.3深度融合网络利用经过良好训练的Pre-RecNet和Pre-SegNet，我们可以通过整合特征来构建具有N个块的分割感知深度融合网络（SADFNN）8W. Fan等人从Pre-RecNet和Pre-SegNet两个方面进行了改进，提出了一种跨层多层特征聚合策略和跨任务特征融合策略。如我们在相关工作部分中所讨论的，多层特征聚合可以用于融合来自不同深度的层在这里，我们从Conv 1、Conv 2、Conv 3、Conv 4、Conv5、Conv 6、Conv 7、Conv 8、Conv9、Conv10和Conv的输出中提取特征映射，以在您的映射表上创建一个“thichik”。注意，使用双线性内插对较小尺寸的特征图进行上采样，以从Pre_Rec_Ne_N中对特征进行采样 。 大 小 为 240 * 240 * 640 （ 32+32+64+64+128+128+64+64+32+32 ） 的“thichk”映射通过以ReLU作为激活函数的1 × 1卷积被构造成大小为240 *240 * 32的“thin”映射。通过多层特征聚合策略获得的压缩特征张量包含来自Pre-SegNet的监督信息。 我们将大小为240 <$240 <$32的特征张量与Pre-RecNet中卷积层输出的大小为240 <$240 <$32的特征图连接起来，如图2所示。然后，大小为240*240*64的级联特征通过与ReLU激活函数的1 × 1卷积进一步压缩为大小为240*240*32通过这种拼接和压缩策略，可以有效地融合来自特征图注意，压缩特征张量被连接到每个Pre-RecNet块中的前四个卷积层，来自分割的监督信息可以引导不同深度的重建此外，在图2中，特征融合策略也用于Pre-RecNet的每个块中为了证明监督信息被有效地融合到反射中，我们在图3中的1×1卷积产生的融合特征张量中给出了一些特征图在图3（a）中，我们示出了特定MRI数据的分割标签。在图3（b）、图3（c）和图3（d）中，我们可视化了从第二层和第四层中的融合特征张量中选择的特征图。我们观察到特征图显示了清晰的分割信息，而在Pre-RecNetN模型中没有观察到这样的特征图。微调策略利用构造良好的深度融合网络，我们进一步微调所产生的架构。给定训练数据集中的零填充MR图像，可以通过第3.1节中的Pre-RecNetN生成相应的高质量MR图像 然后将MR图像发送到Pre-SegNet以提取分割特征，然后将其用于Pre-SegNet中的多层特征聚合和特征融合。同时，还将填充零的MR图像输入到深度融合网络。最小化输出重建MR图像与训练数据集中对应的全采样MR图像之间的0.22欧几里德在优化过程中，Pre-RecNetN和Pre-SegNet中的参数保持固定，而我们只调整深度融合网络中的参数。一种用于压缩感知MRI的9(a) 段标签（b）特征（第2层）（c）特征（第4层）（d）特征（第4层）图三.所选择的特征映射来自由深度融合网络中的特征融合产生的特征张量。4实验4.1数据集我们在来自MR脑图像分割（MRBrainS）基准测试的大挑战的MRBrainS数据集上训练和测试我们的SADFN模型[29]。 该数据集提供了良好对齐的多模态MRI，包括T1、T1-IR和T2- FLAIR，并由人类专家进行分割标记。为了简单起见，我们只使用T1加权MRI数据。在未来的工作中，我们计划将该模型扩展到多模态MRI成像。共5次扫描提供公共分割标签。我们随机选择四个扫描进行训练，总共包含172个切片。训练MR图像的大小为240×240。我们使用剩余的MRI扫描来测试包含总共48个切片的模型性能。4.2实现细节我们在Tensorflow上针对Python环境在NVIDIA Geforce GTX 1080Ti上训练和测试了该算法，该GTX 1080Ti具有11 GB GPU内存和Intel XeonCPU E5-2683，主频为2.00GHz。Pre-RecNet、Pre-SegNet和SADFN的详细网络架构已在前一节中介绍。ADAM被用作优化器。我们使用包含四个欠采样及其对应的全采样MR图像的批次作为等式2中的训练对来 Pre-SegNet还使用包含16个随机裁剪的完全采样的128×128块及其分割标签的批次进行了32000次迭代的预训练。再次，我们注意到，在SADFN模型的微调期间，压缩特征张量通过多层特征聚合（MLFA）和特征张量产生在每个块中的特征融合之前被传播到Pre-RecNet。SADFN使用与Pre-RecNet的预训练相同的训练批量进行微调12000次迭代。我们选择预训练阶段的初始学习率为0.001，微调阶段为0.0001，一阶动量为0.9，二阶动量为0.999。我们采用批量生产10W. Fan等人在Pre-SegNet中使用标准化（BN）我们还采用数据增强进行训练，如[30]中所实施的。4.3定量评价我们使用峰值信噪比（PSNR）和结构相似性指数（S-SIM）[31]进行重建定量评价。我们采用30%的一维笛卡尔模式的欠采样。我们将所提出的SADFN 5与其他最先进的CS-MRI模型进行了比较，包括变换学习MRI（TLM-RI）[12]，基于补丁的非局部算子（PANO）[10]，快速复合分裂算法（FCSA）[8]，基于图形的冗余小波变换（GBRWT）[11]，以及深度模型，如香草CNN [15]，U-Net [17] Pre-RecNet 5（其也是具有5个块的最先进的DC-CNN [4]）。对于非深度CS-MRI方法，我们将参数调整到其最佳性能。我们还将所提出的SADFN5与[27]中提出的模型进行比较，其中预训练的Pre-RecNet5和Pre-SegNet在微调期间级联，并且仅调整Pre-RecNet5中的参数以进行优化。由于在原始工作中没有提供模型的名称，我们将该模型称为Liu [27]。此外，我们比较了建议的SADFN模型与模型的指导下的分割信息（SADFN-WOS）。为了公平比较，我们在表1中设计了SADFN-WOS网络架构的构建块。3. 注意，网络架构保持不变，唯一的区别是SADFN中的一些特征图来自Pre-SegNet，而所有特征来自SADFN5-WOS中的重建网络。在模型Pre-RecNet5和SADFN5-WOS中，没有使用分割标签进行训练，这意味着忽略了相应的监督信息。表3. SADFN-WOS模型层输入滤波器大小步幅数量的滤波器激活输出转换1240*2403*3164ReLU240*240*64转换2240*240*641*1132ReLU240*240*32转换3240*240*323*3164ReLU240*240*64转换4240*240*641*1132ReLU240*240*32Conv5240*240*323*3164ReLU240*240*64Conv6240*240*641*1132ReLU240*240*32Conv7240*240*323*3164ReLU240*240*64Conv8240*240*641*1132ReLU240*240*32Conv9240*240*323*3132ReLU240*240*32Conv10240*240*323*311线性240*240数据保真度240*240N/AN/AN/AN/A240*240我们在图4中显示了客观评价指标。请注意，基于深度的模型在重建方面优于大多数非深度CS-MRI模型我们观察到所提出的SADFN5模型在PSNR和一种用于压缩感知MRI的11SSIM指数在比较的方法。从指数的标准差我们注意到SADFN5的改进对于不同的MRI测试数据是相当稳定的。我们观察到，与Pre-RecNet5相比，Liu [27]模型在客观评价指标方面几乎没有改善。我们还观察到SADFN5模型在PSNR方面优于比较SADFN5-WOS约1dB，在SSIM方面平均优于0.03，这证明了通过引入来自分割标签的监督信息而不是仅仅增加网络大小所带来的好处(a) PSNR（b）SSIM见图4。测试MRI数据的平均PSNR和SSIM指数的比较。4.4定性评价我们在图5中给出了通过比较CS-MRI方法产生的定性重建结果。我们还绘制了重建误差图，以更好地观察它们的差异。误差映射的显示范围为[0 0.12]。我们观察到Pre-RecNet5（DC-CNN [4]）架构，产生比传统稀疏和非局部正则化CS-MRI模型更好的重建。[27]中的模型在重新设计结构时没有产生显著的信息。网络规模较大的SADFN5-WOS带来的改善也有限.我们观察到建议的SADFN5实现了更小的重建误差与其他模型相比，这是与我们的观察结果在客观指标评估。4.5运行时间我们在表4中比较了比较模型的运行时间。如我们在第1节中提到的，基于稀疏或非局部正则化的CS-MRI模型需要大量迭代，导致重建速度慢虽然所提出的SADFN模型的运行时间比其他基于深度的CS-MRI模型慢，但它实现了最先进的重建精度，在运行时间和重建质量之间提供了最佳平衡。12W. Fan等人(a) 全采样（b）掩模（c）零填充（d）TLMRI（e） PANO(f)GBRWT（g）Pre-RecNet5 （h）Liu [27] （i）SADFN5-WOS （j）SADFN5(k)∆ZF（l）∆TLMRI（m）∆PANO（n）∆GBRWT(o)∆Pre-RecNet5（p）∆Liu [27] （q）∆SADFN5-WOS （r）∆SADFN5图五.零填充（ZF）、TLMRI、PANO、GBRWT、Pre-RecNet5、Liu [27]、SADFN5-WOS和SADFN5的重建结果。 我们还给出了相应的重构误差图∆，其显示范围为[00.12].5讨论5.1的块的数目在图6中，我们讨论了在Pre-RecNet5、SADFN5-WOS和 SADFN5模型中，模型性能如何随着从1到5的不同块数而变化。正如预期的那样，SADFN5模型在不同的模型容量下实现了稳定的大幅度改进，这意味着监督信息可以鲁棒地提高重建精度。一种用于压缩感知MRI的13表4.比较模型之间的运行时间（秒）比较。TLMRI GBRWT PANO Pre-RecNet5 刘[26] SADFN5-WOS SADFN5运行时127.67100.6011.370.030.030.070.07(a) PSNR（b）SSIM见图6。测试MRI数据的平均PSNR和SSIM指数的比较。5.2不同的欠采样模式我们还在图5所示SADFN5实现了最佳性能，证明它可以很好地推广到各种欠采样模式。5.3分割性能的评价通过不同CS-MRI模型生成的重建MR图像，我们将其输入到第3.2节中的预训练自动分割模型中，以评估不同重建模型对分割任务的影响。我们采用Dice系数（DC）、Hausdoff距离的第95百分位数（HD）和绝对体积差（AVD）作为[29]中推荐的分割的客观评价指标较高的DC、较低的HD和较低的AVD值指示较好的分割准确度。分割性能评价的详细信息具有全采样MR图像输入的分割结果是性能上限。我们在表5中示出了在测试MRI数据集上具有比较模型的平均分割结果我们观察到所提出的SADFN5在比较模型的分割任务上实现了最佳精度6结论在本文中，我们提出了一个分割感知深度融合网络（SADFN）的压缩感知MRI。我们向高层展示了监管信息14W. Fan等人(a) 全采样（b）掩模（c）GBRWT（d）预RecNet5（e） SADFN5(f)∆GBRWT（g）∆Pre-RecNet5（h）∆SADFN5见图7。20%随机掩模上的零填充（ZF）、TLMRI、PANO、GBRWT、Pre-RecNet5、Liu [27]、SADFN5-WOS和SADFN5的重建结果。 我们还给出了相应的重建误差图，其显示范围为[00.1]。可以有效地融合到深度神经网络模型中，以帮助低级别的MRI重建。在MRI分割网络中采用多层特征聚合融合跨层信息，在MRI重建网络中采用特征融合策略融合跨任务信息我们证明了建议的SADFN架构，使重建网络知道它重建的内容和功能映射可以显着简化。SADFN模型在CS-MRI中实现了最先进的性能，并在准确性和效率之间取得了平衡。表5.测试MRI数据的平均DC、HD和AVD值方法GMWMCSFDC %HDAVD DC %HDAVD DC %HDAVDZF+Pre-SegNet64.78 2.587 6.202 54.07 2.085 4.294 57.37 2.221 4.689TLMRI+Pre-SegNet76.28 2.093 3.985 63.77 1.870 3.185 68.17 2.072 3.796PANO+Pre-SegNet83.73 1.819 2.958 75.72 1.348 1.815 78.93 1.653 2.361GBRWT+Pre-SegNet83.66 1.821 2.937 76.14 1.353 1.783 79.39 1.647 2.342Pre-RecNet5+Pre-SegNet83.63 1.795 2.874 75.16 1.378 1.813 78.99 1.668 2.386SADFN5-WOS+Pre-SegNet 83.85 1.782 2.838 75.84 1.357 1.762 79.25 1.661 2.364[27]第二十七话84.08 1.776 2.814 76.30 1.335 1.724 79.37 1.661 2.357SADFN5 +Pre-SegNet85.76 1.690 2.579 81.29 1.143 1.381 80.08 1.649 2.305全采样+预SegNet87.30 1.596 2.328 86.89 0.973 1.092 80.76 1.617 2.225一种用于压缩感知MRI的15引用1. Atkinson，D.，Hill，D.L.，Stoyle，P.N.，萨默斯体育课Clare，S.，鲍特尔河 Keevil ， S.F.： MRI 中 运 动 伪 影 的 自 动 补 偿 。 磁 共 振 医 学 41（ 1）（1999）1632. Jung，H. Sung，K.，Nayak，K.S.，Kim，E.Y.，Ye，J.C.：k-t FOCUSS：用于高分辨率动态MRI的通用压缩传感框架。磁共振医学杂志61（1）（2009）1033. Lustig，M.，Donoho，D.，Pauly，J.M.：稀疏MRI：压缩感知在快速MR成像中的应用。磁共振医学58（6）（2007）11824. Schlemper，J.，卡瓦列罗，J.，Hajnal J.V.Price，A.Rueckert，D.：用于MR图像重建的卷积神经网络的深度级联In：IPMI，Springer（2017）6475. Ravishankar，S.，Bresler，Y.：通过字典学习从高度欠采样的k空间数据重建MR图像IEEE Trans.医学影像30（5）（2011）1028-10416. 妈妈，S.，尹，W.，张玉，Chakraborty，A.：一种有效的压缩MR图像算法，可用于多媒体和多媒体。参见：CVPR，IEEE（2008）17. 杨杰，张玉，Yin，W.：从部分傅立叶数据重建TVL 1-L2信号的快速交替方 向 法 。 IEEE Journal of Selected TopicsinSIGNALPROCESSING4 （ 2 ）（2010）2888. 黄，J.，Zhang，S.，（1991），中国农业科学院，Metaxas，D.：有效的MR图像重建，用于复合MR成像。医学杂志15（5）（2011）6709. 屈X Guo，D.，Ning，B.侯，Y.，Lin，Y.，（1996年），Cai，S.，陈Z：基于块的方向小波的欠采样MRI重建。磁共振医学杂志30（7）（2012）96410. 屈X侯，Y.，Lam，F.，Guo，D.，Zhong，J.，陈Z：使用基于块的非局部操作从欠采样测量重建磁共振图像。医学杂志18（6）（2014）84311. Lai，Z.屈XLiu，Y.，Guo，D.，是的，J.，Zhan，Z.，陈Z：基于图冗余小波变换的压缩感知MRI图像重建MedicalImageAnalysis27（2016）9312. Ravishankar，S.，Bresler，Y.： 使用具有收敛保证的稀疏化变换的高效盲 压 缩 感 测 以 及 在 磁 共 振 成 像 中 的 应 用 。 SIAMJ 〇 urnalonImagingSciences8⑷（2015）251913. 黄，Y.，Paisley，J.，林昆，丁某，Fu X Zhang，X.P.：压缩感知MRI的贝叶斯非参数字典学习。IEEE图像处理学报23（12）（2014）500714. Dong，W.，Shi，G.，Li，X.，妈妈，Y.，Huang，F.：经由非局部低幅区域的压缩感测。IEEETrans.《医药出版物》23（8）（2014）361815. 王，S.，苏、Z.英湖彭，X. Zhu，S.，Liang，F.，Feng，D.，Liang，D.：通过深度学习加速磁共振成像。In：ISBI，IEEE（2016）51416. 卡瓦列罗，J.，Bai，W.，普莱斯，A.N.，吕克特，D.，Hajnal，J.V.：应用驱动MRI：欠采样mri数据的关节重建与分割。In：医学图像计算和计算机辅助医学国际会议，Springger（2014）10617. Lee，D.，刘杰Ye，J.C.：用于压缩感知MRI的深度残差学习。2017年1516W. Fan等人18. Ronneberger，O.，Fischer，P.，Brox，T.：U-net：用于生物医学数据段的卷积网络。In：MICCAI，Springger（2015）23419. Ci cek，O.， Abdulkadir，A.， Lienkamp，S. 美国， Br ox，T.， Ronneberger，O. ：3DU-Net：从稀疏注释中学习密集体积分割。In：MICCAI，Springger（2016）42420. 陈洪，窦，Q，尤湖秦杰，Heng，P.A.：VoxResNet：用于3D MR图像脑分割的深度体素残差网络神经影像（2017）21. Stollenga，M.F.，Byeon，W.，Liwicki，M.，Schmidhuber，J.：并行多维LSTM，应用于快速生物医学体积图像分割。 In：NIPS. （2015）299822. 陈杰，杨湖，张玉，Alber，M.，Chen，D.Z.：结合全卷积和递归神经网络的三维生物医学图像分割。In：NIPS. （2016）303623. Zeiler，医学博士，Fergus，R.：可视化和理解卷积网络。In：ECCV，Springger（2014）81824. Li，G.，Yu，Y.：用于显著对象检测的深度对比度学习。在：CVPR中。（2016）47 825. 张，P.，Wang，D.，中国科学院，吕，H.，王，H.，阮某：Amulet：聚合用于显着对象检测的多级卷积特征。In：ICCV. (Oct（2017年）26. Hou，Q.，郑女士Hu，X.，Borji，A.，Tu，Z.，Torr，P.：深度监督的安全解决方案，可与高级连接一起执行检测。 In：CVPR. （2017）530027. Liu，D.，中国科学院，文，B. Liu，X.，中国科学院院士，Huang，T.S.：当图像去噪满足高级视觉任务时：深度学习方法。arXiv预印本arXiv：1706.04284（2017）28. 李，B.，彭，X.王志，徐，J，Feng，D.：AOD-Net：一体化去雾网络。In：ICCV. (Oct（2017年）29. Mendrik，A. M.Vincken，K.L.，Kuijf，H.J.，Breeuwer，M.，Bouvy，W.H.，De Bress- er，J.，Alansary，A.，De Bruijne，M.，Carass，A. El-Baz，A.，等：Mrbrains挑战：3T MRI扫描中大脑图像分割的在线评估框架计算智能与神经科学2015（2015）130. Dong，H.杨，G.，等：使用基于u-net的全卷积网络进行脑肿瘤自动检测和分割。在：医学信息管理与分析年会，SPRINGGER（2017）50631. 王志，Bovik，A.C.，Sheikh，H. R.，Simoncelli，E.P.：图像质量评估：从错误可见性到结构相似性。IEEE图像处理学报13（4）（2004）60032. 泰、英、杨、建、刘、小明：通过深度递归残差网络实现图像超分辨率。在：CVPR中。（2017）2790-2798