Purpose: To develop a deep-learning-based image reconstruction framework for reproducible research in MRI. Methods: The BART toolbox offers a rich set of implementations of calibration and reconstruction algorithms for parallel imaging and compressed sensing. In this work, BART was extended by a non-linear operator framework that provides automatic differentiation to allow computation of gradients. Existing MRI-specific operators of BART, such as the non-uniform fast Fourier transform, are directly integrated into this framework and are complemented by common building blocks used in neural networks. To evaluate the use of the framework for advanced deep-learning-based reconstruction, two state-of-the-art unrolled reconstruction networks, namely the Variational Network [1] and MoDL [2], were implemented. Results: State-of-the-art deep image-reconstruction networks can be constructed and trained using BART's gradient based optimization algorithms. The BART implementation achieves a similar performance in terms of training time and reconstruction quality compared to the original implementations based on TensorFlow. Conclusion: By integrating non-linear operators and neural networks into BART, we provide a general framework for deep-learning-based reconstruction in MRI.


翻译:在这项工作中,通过非线性操作者框架扩展了BART, 提供自动差异,以便计算梯度。BART的现有具体MRI操作者,如非统一快速Fourier变换,直接融入这一框架,并辅之以神经网络中使用的共同建筑构件。评价先进深层重建框架的使用情况,两个最先进的非现代化非滚动重建网络,即动态网络[1]和MDL[2]已经实施。结果:最先进的深层图像重建网络可以使用基于BART的梯度优化算法建造和培训。BART的实施在培训时间和重建质量方面与基于TensorFlow的原始实施方面业绩相似。结论:通过将非线性运营者和神经网络纳入BART的深层重建框架,我们为深层重建提供了一个总体框架。

0
下载
关闭预览

相关内容

100+篇《自监督学习(Self-Supervised Learning)》论文最新合集
专知会员服务
121+阅读 · 2020年3月18日
Stabilizing Transformers for Reinforcement Learning
专知会员服务
40+阅读 · 2019年10月17日
Keras François Chollet 《Deep Learning with Python 》, 386页pdf
专知会员服务
112+阅读 · 2019年10月12日
强化学习最新教程,17页pdf
专知会员服务
116+阅读 · 2019年10月11日
[综述]深度学习下的场景文本检测与识别
专知会员服务
63+阅读 · 2019年10月10日
【SIGGRAPH2019】TensorFlow 2.0深度学习计算机图形学应用
专知会员服务
28+阅读 · 2019年10月9日
AIART 2022 Call for Papers
CCF多媒体专委会
0+阅读 · 2月13日
Multi-Task Learning的几篇综述文章
深度学习自然语言处理
13+阅读 · 2020年6月15日
强化学习三篇论文 避免遗忘等
CreateAMind
13+阅读 · 2019年5月24日
Hierarchically Structured Meta-learning
CreateAMind
16+阅读 · 2019年5月22日
Transferring Knowledge across Learning Processes
CreateAMind
12+阅读 · 2019年5月18日
深度自进化聚类:Deep Self-Evolution Clustering
我爱读PAMI
12+阅读 · 2019年4月13日
无监督元学习表示学习
CreateAMind
23+阅读 · 2019年1月4日
Unsupervised Learning via Meta-Learning
CreateAMind
35+阅读 · 2019年1月3日
A Technical Overview of AI & ML in 2018 & Trends for 2019
待字闺中
10+阅读 · 2018年12月24日
利用动态深度学习预测金融时间序列基于Python
量化投资与机器学习
16+阅读 · 2018年10月30日
国家自然科学基金
0+阅读 · 2015年12月31日
国家自然科学基金
0+阅读 · 2012年12月31日
国家自然科学基金
0+阅读 · 2012年12月31日
国家自然科学基金
0+阅读 · 2011年12月31日
国家自然科学基金
0+阅读 · 2011年12月31日
国家自然科学基金
0+阅读 · 2009年12月31日
国家自然科学基金
0+阅读 · 2009年12月31日
国家自然科学基金
2+阅读 · 2009年12月31日
国家自然科学基金
0+阅读 · 2008年12月31日
Arxiv
15+阅读 · 2月24日
Arxiv
60+阅读 · 2021年6月18日
Arxiv
25+阅读 · 2021年3月8日
A Survey on Bayesian Deep Learning
Arxiv
52+阅读 · 2020年7月2日
Arxiv
39+阅读 · 2019年12月20日
Arxiv
46+阅读 · 2018年12月11日
A Survey on Deep Transfer Learning
Arxiv
11+阅读 · 2018年8月6日
Arxiv
16+阅读 · 2018年3月28日
VIP会员
相关VIP内容
100+篇《自监督学习(Self-Supervised Learning)》论文最新合集
专知会员服务
121+阅读 · 2020年3月18日
Stabilizing Transformers for Reinforcement Learning
专知会员服务
40+阅读 · 2019年10月17日
Keras François Chollet 《Deep Learning with Python 》, 386页pdf
专知会员服务
112+阅读 · 2019年10月12日
强化学习最新教程,17页pdf
专知会员服务
116+阅读 · 2019年10月11日
[综述]深度学习下的场景文本检测与识别
专知会员服务
63+阅读 · 2019年10月10日
【SIGGRAPH2019】TensorFlow 2.0深度学习计算机图形学应用
专知会员服务
28+阅读 · 2019年10月9日
相关资讯
AIART 2022 Call for Papers
CCF多媒体专委会
0+阅读 · 2月13日
Multi-Task Learning的几篇综述文章
深度学习自然语言处理
13+阅读 · 2020年6月15日
强化学习三篇论文 避免遗忘等
CreateAMind
13+阅读 · 2019年5月24日
Hierarchically Structured Meta-learning
CreateAMind
16+阅读 · 2019年5月22日
Transferring Knowledge across Learning Processes
CreateAMind
12+阅读 · 2019年5月18日
深度自进化聚类:Deep Self-Evolution Clustering
我爱读PAMI
12+阅读 · 2019年4月13日
无监督元学习表示学习
CreateAMind
23+阅读 · 2019年1月4日
Unsupervised Learning via Meta-Learning
CreateAMind
35+阅读 · 2019年1月3日
A Technical Overview of AI & ML in 2018 & Trends for 2019
待字闺中
10+阅读 · 2018年12月24日
利用动态深度学习预测金融时间序列基于Python
量化投资与机器学习
16+阅读 · 2018年10月30日
相关论文
Arxiv
15+阅读 · 2月24日
Arxiv
60+阅读 · 2021年6月18日
Arxiv
25+阅读 · 2021年3月8日
A Survey on Bayesian Deep Learning
Arxiv
52+阅读 · 2020年7月2日
Arxiv
39+阅读 · 2019年12月20日
Arxiv
46+阅读 · 2018年12月11日
A Survey on Deep Transfer Learning
Arxiv
11+阅读 · 2018年8月6日
Arxiv
16+阅读 · 2018年3月28日
相关基金
国家自然科学基金
0+阅读 · 2015年12月31日
国家自然科学基金
0+阅读 · 2012年12月31日
国家自然科学基金
0+阅读 · 2012年12月31日
国家自然科学基金
0+阅读 · 2011年12月31日
国家自然科学基金
0+阅读 · 2011年12月31日
国家自然科学基金
0+阅读 · 2009年12月31日
国家自然科学基金
0+阅读 · 2009年12月31日
国家自然科学基金
2+阅读 · 2009年12月31日
国家自然科学基金
0+阅读 · 2008年12月31日
Top
微信扫码咨询专知VIP会员