基于DAWGAN-GP的磁共振图像重构方法研究

袁子晗; 蒋明峰; 李杨; 支明豪; 朱志军

doi:10.3969/j.issn.0372-2112.2020.10.002

您当前的位置：

首页 >

文章列表页 >

基于DAWGAN-GP的磁共振图像重构方法研究

学术论文 | 更新时间：2023-02-24

- 基于DAWGAN-GP的磁共振图像重构方法研究
- Research of MRI Reconstruction Method by Using De-aliasing Wasserstein Generative Adversarial Networks with Gradient Penalty
- 电子学报 2020年48卷第10期页码：1883-1890
- 作者机构：
  
  1. 浙江理工大学信息学院,浙江,杭州,310018
  3. 解放军第一一七医院心血管内科,浙江,杭州,310013
- 作者简介：
  
  [ "袁子晗男,1995年生于河南濮阳,现为浙江理工大学信息学院硕士研究生,主要研究方向为医学图像处理." ]
  [ "蒋明峰男,1977年生于江西丰城,现为浙江理工大学信息学院教授、硕士生导师,主要研究方向为计算机医学图像处理、生物医学信号处理." ]
- 基金信息：
  
  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）
- DOI：10.3969/j.issn.0372-2112.2020.10.002
  中图分类号： TP302
- 网络出版：2020-10-25，
  
  纸质出版：2020
- 稿件说明：
移动端阅览
袁子晗, 蒋明峰, 李杨, 等. 基于DAWGAN-GP的磁共振图像重构方法研究[J]. 电子学报, 2020,48(10):1883-1890.

YUAN Zi-han, JIANG Ming-feng, LI Yang, et al. Research of MRI Reconstruction Method by Using De-aliasing Wasserstein Generative Adversarial Networks with Gradient Penalty[J]. Acta Electronica Sinica, 2020, 48(10): 1883-1890.
袁子晗, 蒋明峰, 李杨, 等. 基于DAWGAN-GP的磁共振图像重构方法研究[J]. 电子学报, 2020,48(10):1883-1890. DOI： 10.3969/j.issn.0372-2112.2020.10.002.

YUAN Zi-han, JIANG Ming-feng, LI Yang, et al. Research of MRI Reconstruction Method by Using De-aliasing Wasserstein Generative Adversarial Networks with Gradient Penalty[J]. Acta Electronica Sinica, 2020, 48(10): 1883-1890. DOI： 10.3969/j.issn.0372-2112.2020.10.002.

摘要

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）.

Abstract

In this paper

we propose an improved Wasserstein generative adversarial network (WGAN)

de-aliasing Wasserstein generative adversarial network with Gradient Penalty (DAWGAN-GP)

for magnetic resonance imaging (MRI) reconstruction.This method uses WGAN to replace the traditional GAN

and combined the gradient penalty to improve the training speed and to solve the slow convergence problem of WGAN.In addition

for better preservation of the fine structures in the reconstructed images

we incorporate perceptual loss

pixel loss and frequency loss into the loss function for training the network.Compared with other state-of-the-art deep learning methods for MR images reconstruction

DAWGAN-GP method outperforms all other methods and can provide superior reconstruction with improved peak signal to noise ratio (PSNR) and better structural similarity index measure (SSIM).

关键词

Keywords

references

浏览量

下载量

CSCD

文章被引用时，请邮件提醒。

提交

工具集

关联资源

图像压缩感知的特征域优化及自注意力增强神经网络重构算法

基于全变分的全向图像稀疏重构算法

联合运动估计与基于模式的超分辨率图像重构

基于SPL迭代思想的图像压缩感知重构神经网络

电容层析成像图像重构的三阶混合算法