用于磁共振成像重构的级联UGR-Net模型

作者：段继忠; 贾伟

来源：小型微型计算机系统, 2022, 43(05): 1051-1055.

DOI：10.20009/j.cnki.21-1106/TP.2020-0987

• 深度学习
• 压缩感知
• 磁共振成像
• 图像重构

近年来，深度学习在图像处理中表现显著，因此研究者开始将深度学习用于磁共振成像的重构．现有的深度学习模型需要依赖大量数据进行训练，而医学图像很难获得大量数据，因此，为有效的提高MR成像重构的质量，本文提出一个在小数据集上表现良好的深度学习MRI重构方法．本文对U-Net模型进行改进，结合GoogleLeNet和ResNet的优势，提出了UGR-Net模型，并与数据一致性层结合得到级联的UGR-Net．在多种加速因子下使用3种欠采样模式对脑部复数数据进行欠采样，并对级联CNN网络、级联U-Net模型、新提出的级联UGR-Net重构模型的重构性能进行了比较．实验结果表明，级联UGR-Net在视觉和定量指标上均优于级联CNN模型和级联U-Net模型．

• 单位
  自动化学院; 昆明理工大学