最近的研究表明,在多个应用中,基于深度学习(DL)的MRI重建优于常规方法,例如并行成像和压缩传感(CS)。与通常使用预定的正规化线性表示形式实现的CS不同,DL固有地使用从大数据库中学到的非线性表示。另一个工作线使用转化学习(TL)通过从数据中学习线性表示来弥合这两种方法之间的差距。在这项工作中,我们将CS,TL和DL重建的想法结合在一起,以学习深层线性卷积转换,作为算法展开方法的一部分。使用端到端训练,我们的结果表明,所提出的技术可以将MR图像重建为与DL方法相当的水平,同时支持统一的不足采样模式,与常规CS方法不同。我们提出的方法依赖于凸稀疏的图像重建,并在推理时线性表示,这可能有益于表征鲁棒性,稳定性和概括性。
translated by 谷歌翻译