基于几何蒸馏和特征自适应的磁共振成像重建

作者：朵琳^*; 任勇; 许渤雨; 杨新

来源：北京航空航天大学学报, 2023, 1-11.

DOI：10.13700/j.bh.1001-5965.2023.0323

• 磁共振成像
• 图像重建
• 深度学习
• 几何蒸馏
• 自适应网络
• 注意力机制

虽然现有基于深度学习的压缩感知磁共振成像方法已经取得了较好的效果，但这些方法的可解释性仍然面临挑战，并且从理论分析到网络设计的过渡并不够自然。为了解决上述问题，本文提出了深度双域几何蒸馏特征自适应网络(Deep Dual-Domain Geometry Distillation Feature Adaptive Network， DDGD-FANet)。该深度展开网络将磁共振成像重建优化问题迭代展开成三个子部分：数据一致性模块、双域几何蒸馏模块和自适应网络模块，不仅可以补偿重建图像丢失的上下文信息，恢复更多的纹理细节，还可以去除全局伪影，进一步提高重建效果。在公开数据集使用三种不同的采样模式进行实验，结果表明DDGD-FANet在三种采样模式下均取得了更高的峰值信噪比和结构相似性指数，在笛卡尔10%CS比率下，峰值信噪比较ISTA-Net+、FISTA-Net和DGDN三种模型分别提高了5.01dB、4.81dB和3.34dB。

• 单位
  昆明理工大学; 自动化学院