基于DAWGAN-GP的磁共振图像重构方法研究OA北大核心CSCDCSTPCD
Research of MRI Reconstruction Method by Using De-aliasing Wasserstein Generative Adversarial Networks with Gradient Penalty
本文提出了一种基于改进Wasserstein生成式对抗网络(De-aliasing Wasserstein Generative Adversarial Network with Gradient Penalty,DAWGAN-GP)的磁共振图像重构算法,该方法利用Wasserstein生成式对抗网络代替传统的生成式对抗网络,并结合梯度惩罚的方法提高训练速度,解决WGAN收敛缓慢问题.此外,为了有更好的重构效果,我们将感知损失,像素损失和频域损失引入至损失函数中进行网络训练.实验结果表明,对比现有的基于深度学习的磁共振图像重构算法,基于DAWGAN-GP的磁共振图像重构方法具有更好的重构效果,可获得更高的峰值信噪比(Peak Signal to Noise Ratio,PSNR)和更好的结构相似性(Structural Similarity Index Measure,SSIM).
袁子晗;蒋明峰;李杨;支明豪;朱志军
浙江理工大学信息学院,浙江杭州310018浙江理工大学信息学院,浙江杭州310018浙江理工大学信息学院,浙江杭州310018浙江理工大学信息学院,浙江杭州310018解放军第一一七医院心血管内科,浙江杭州310013
信息技术与安全科学
磁共振图像重构Wasserstein生成式对抗网络感知损失
《电子学报》 2020 (10)
基于张量低秩稀疏分解与运动校正的动态心脏磁共振快速成像方法研究
1883-1890,8
国家自然科学基金(No.61672466)浙江省自然科学基金-数理医学学会联合基金重点项目(No.LSZ19F010001)浙江省科技厅重点研发项目(No.2020C03060)
评论