Unrolled L+S decomposition for compressed sensing in magnetic resonance imaging

Abstract

Článek se zabývá metodou rekonstrukce dat pro dynamické zobrazování magnetickou rezonancí s využitím přístupu tzv. deep unrolling aplikovaného na low-rank + sparse model. Standardní algoritmus pro odhad tohoto modelu je rozšířen o trénovatelné prvky tvořící hlubokou neuronovou síť a na simulovaném datové množině je natrénováno několik variant rozvinutého algoritmu. Vyhodnocení oproti standardnímu algoritmu ukazuje zlepšení ve smyslu střední kvadratické chyby se stejnými výpočetními náklady.A deep unrolled reconstruction method for dynamic magnetic resonance imaging is developed, based on the low-rank + sparse model. A standard solver of this model is enriched with trainable structures, forming a deep neural network, and several variants of the unrolled algorithm are trained on a simulated dataset. Evaluation against the standard solver for the model shows improvement in terms of mean squared error with the same computational cost.