论文
陈昊, 葛志昊
压缩感知(CS)是快速核磁共振成像(MRI)的一种有效的方法,该方法旨在从少量的欠采样数据空间中重建核磁共振图像,加速核磁共振成像中的数据采集.为了提高当前MRI图像的重建精度和速度,本文将传统的基于模型驱动的压缩感知恢复算法和数据驱动的深度学习方法相结合,提出了一种新的算法--ADMM-CNN.该算法将交替方向乘子法(ADMM)中的一个子问题用卷积神经网络进行求解,然后通过构造损失函数,利用梯度下降法优化ADMM中的惩罚参数和拉格朗日乘子的更新率,从而得到训练好的ADMM模型,能够有效地从压缩感知测量中恢复核磁共振图像信号.本文设计的算法与传统的重建算法相比,具有较少的正则化参数和更低的计算复杂度,同时,将一个训练好的卷积神经网络直接引入,极大简化了训练过程和计算量,并且利用GPU来进行加速训练.实验结果表明,与传统的重建算法和其他深度学习方法相比,ADMM-CNN拥有较快的计算速度和良好的重建精度.