电气工程与系统科学 > 图像与视频处理
[提交于 2025年1月2日
(v1)
,最后修订 2025年5月28日 (此版本, v3)]
标题: 一种用于MRI恢复的无监督方法:深度图像先验与结构稀疏性
标题: An unsupervised method for MRI recovery: Deep image prior with structured sparsity
摘要: 目的:提出并验证一种无需完全采集k空间数据的无监督磁共振成像(MRI)重建方法。 材料与方法:所提出的深度图像先验结合结构稀疏性(DISCUS)方法通过引入组稀疏性到特定帧的编码向量中扩展了深度图像先验(DIP),从而能够发现低维流形以捕捉时间变化。 \discus 在四项研究中得到了验证:(I) 使用动态Shepp-Logan幻影模拟来展示其流形发现能力;(II) 与压缩感知和基于DIP的方法进行比较,使用来自六个不同数字心脏幻影的模拟单次拍摄晚期钆增强(LGE)图像序列,评估归一化均方误差(NMSE)和结构相似性指数测量(SSIM);(III) 对八名患者的回顾性欠采样单次拍摄LGE数据进行评估;(IV) 对八名患者的前瞻性欠采样单次拍摄LGE数据进行评估,由两名专家读者通过盲评分进行评估。 结果:DISCUS在NMSE和SSIM(研究I至III)以及专家读者评分(研究IV)方面优于竞争方法,显示出更好的重建质量。 讨论:介绍并验证了一种无监督图像重建方法,适用于模拟和实际数据。 这些发展可以惠及那些获取完全采样数据具有挑战性的应用领域。
文献和引用工具
与本文相关的代码,数据和媒体
alphaXiv (什么是 alphaXiv?)
CatalyzeX 代码查找器 (什么是 CatalyzeX?)
DagsHub (什么是 DagsHub?)
Gotit.pub (什么是 GotitPub?)
Hugging Face (什么是 Huggingface?)
带有代码的论文 (什么是带有代码的论文?)
ScienceCast (什么是 ScienceCast?)
演示
推荐器和搜索工具
arXivLabs:与社区合作伙伴的实验项目
arXivLabs 是一个框架,允许合作伙伴直接在我们的网站上开发和分享新的 arXiv 特性。
与 arXivLabs 合作的个人和组织都接受了我们的价值观,即开放、社区、卓越和用户数据隐私。arXiv 承诺这些价值观,并且只与遵守这些价值观的合作伙伴合作。
有一个为 arXiv 社区增加价值的项目想法吗? 了解更多关于 arXivLabs 的信息.