Sep, 2023

vSHARP：用于逆问题重建的变量分裂半二次 ADMM 算法

PDF
TL;DR提出了 vSHARP，一个基于深度学习的方法，用于解决医学成像中的病态反问题，通过半二次变量分离方法和交替方向乘子法进行优化，同时利用 U-Net 架构等技术来提高图像质量。在加速平行 MRI 重建任务上进行的实验结果表明，vSHARP 具有卓越的性能。
medical imagingparallel magnetic resonance imagingdeep learningill-posed inverse problemsvsharp
发现论文，激发创造
  • 自适应动态亚采样与重建用于心脏 MRI 的端到端方法

    通过深度学习方法提出了一种新的自适应动态 MRI 取样与重建框架，该方法根据个案特定的动态取样模式以及训练良好的 2D 动态重建网络，提高了重建质量。

    Mar, 2024

  • 基于变量分裂和类自适应图像先验的图像修复和重建

    本文提出使用高斯混合模型作为先验，以解决图像去模糊和压缩成像两个问题。我们利用变量分裂算法的特点，如 ADMM，将观测算子的处理与正则化器的处理分离，并将最先进的算法插入到纯去噪步骤中。此外，我们展示了当应用于特定类型的图像时，从相同类型图像的数据库训练的高斯混合模型能够胜过当前的最先进方法。

    Feb, 2016

  • 基于 ADMM 的深度心脏 MRI 重建

    心脏核磁共振成像技术是一种有价值的非侵入性工具，用于识别心血管疾病，并通过基于深度学习的加速重建方法，提高动态心脏成像的重建质量和准确性。

    Oct, 2023

  • 循环变分网络：用于加速 MRI 重构的深度学习逆问题求解器

    本文提出了一种基于卷积循环神经网络的深度学习加速 MRI 重建方法，称为 RecurrentVarNet，通过在观测域（$k$-space）而非图像域中进行优化，每个 RecurrentVarNet 块都由数据一致性项和递归单元组成，可以有效地重建 MRI 图像，并在公共多线圈数据集上优于传统方法和之前的深度学习方法。

    Nov, 2021

  • ADMM-Net：基于深度学习的压缩感知磁共振成像方法

    本文提出了两种新颖的深度学习网络来优化基于压缩感知的磁共振成像（MRI）重建的准确度和速度，这两种网络被称为 ADMM-Nets，在训练阶段，将所有参数进行差异性训练，同时在测试阶段使用已经优化的参数来实现 MRI 重建任务。经过大量实验，ADMM-Nets 实现了最先进的重建精度和快速计算速度。

    May, 2017

  • 一类非凸、非光滑问题的交替方向乘子法及其在背景 / 前景提取中的应用

    本文针对图像科学中广泛使用的一类优化问题，基于 ADMM 算法，通过使用通用的双重步长方法、构建特殊的潜函数以及采用简单的初始化策略实现了非凸优化问题全局收敛和解决，并在实际应用中进行了比较实验，表明最优化效果良好。

    Jun, 2015

  • 使用变量分裂和约束优化进行快速图像恢复

    本文提出一种基于 ADMM 的快速图像恢复算法，该算法支持基于小波或总变差正则化的形式，并已在一系列图像恢复基准问题上证明其优于现有最先进方法。

    Oct, 2009

  • 图像反问题的约束优化表达式的增广 Lagrangian 方法

    本文提出一种有效的算法来解决图像恢复应用中的约束问题，包括去卷积和从压缩观测中重建图像，使用总变差或小波（或更一般的框架）正则化。该算法属于增广 Lagrange 方法的范畴，并表现出在一定条件下具有收敛性。本文的结果表明，所提出的算法在图像恢复领域中具有最先进的技术水平。

    Dec, 2009

  • 一类总变差正则化估计问题的 ADMM 算法

    本文介绍了一种交替增广 Lagrangian 方法，用于解决将代价函数拆分为变量块之间可分和相邻变量块之间可分之和的凸优化问题，并应用于基于均值变化或方差变化的数据分割中，并有效地加速了求解过程。

    Mar, 2012

  • 动态 MRI 重建中的稳健深度线性误差分解：双重总变差和核范数

    本文提出了一种新的鲁棒低秩动态磁共振成像重建优化模型，通过高度欠采样和离散傅里叶变换（DFT），通过添加线性图像域误差分析，减少了噪声并增强了算法的抗干扰能力，在动态磁共振成像序列的空时特征和不同维度之间的互补关系上利用双重总变差（TV）和双重核范数（NN）正则化，实现了多维数据的重建精度和时间复杂度上的优于当前五种最先进方法的性能。

    Oct, 2023