企业官网建设流程全解析

网站设计案例,十大网站开发公司,网上找装修设计,临沂seo推广外包2026.1.13本文提出了一种名为DUN-SA的深度展开网络#xff0c;通过将空间配准任务自适应地整合到多模态MRI重建过程中#xff0c;并引入对齐的跨模态先验#xff0c;有效解决了模态间错位和传统方法可解释性差的问题#xff0c;实现了更优的重建性能和对配准误差的鲁棒性。…2026.1.13本文提出了一种名为DUN-SA的深度展开网络通过将空间配准任务自适应地整合到多模态MRI重建过程中并引入对齐的跨模态先验有效解决了模态间错位和传统方法可解释性差的问题实现了更优的重建性能和对配准误差的鲁棒性。Title题目01Deep unfolding network with spatial alignment for multi-modal MRI reconstruction用于多模态MRI重建的带空间配准的深度展开网络文献速递介绍02磁共振成像MRI因其非侵入性、高分辨率和显著的软组织对比度而广泛应用于医学成像。然而MRI扫描过程耗时可能导致患者不适和运动伪影。压缩感知MRICS-MRI通过从欠采样数据重建图像来加速采集。尽管传统CS-MRI方法通过手工设计正则项来约束解决方案空间但最优正则项难以获得。深度学习方法在MRI重建中表现出色但多为黑盒过程缺乏可解释性。深度展开网络通过将优化算法的迭代展开为神经网络增强了可解释性。大多数深度展开网络关注单模态信息而多模态MRI因其互补信息在临床中更具价值。然而现有的多模态MRI重建方法通常假设图像完美对齐这在实践中很少见模态间错位会影响重建性能。针对这些限制本文提出了一个带空间配准的深度展开网络DUN-SA该网络将空间配准任务嵌入到重建过程中提出了一种对齐的跨模态先验项并设计了相应的优化算法和可解释的网络模块旨在克服模态间错位问题同时利用模态间和模态内先验实现更优的重建效果。Aastract摘要02多模态磁共振成像(MRI)提供了互补的诊断信息但有些模态受限于扫描时间过长。为了加速整个采集过程利用另一个全采样参考模态从高度欠采样的k空间数据重建目标模态的MRI是一种高效的解决方案。然而临床实践中常见的模态间错位会负面影响重建质量。现有基于深度学习的考虑模态间错位的方法表现更好但仍存在两个主要限制1) 空间配准任务未能与重建过程自适应集成导致两任务间互补性不足2) 整个框架可解释性弱。本文构建了一种新颖的带空间配准的深度展开网络(DUN-SA)将空间配准任务适当地嵌入到重建过程中。具体来说我们推导了一个新的联合配准-重建模型并设计了特殊的对齐跨模态先验项。通过将模型分解为跨模态空间配准和多模态重建任务我们提出了一种有效的算法来交替求解该模型。然后我们展开了所提算法的迭代阶段并设计了相应的网络模块来构建具有可解释性的DUN-SA。通过端到端训练我们仅使用重建损失有效补偿了空间错位并利用渐进式对齐的参考模态提供跨模态先验以改善目标模态的重建。在四个真实数据集上的综合实验表明我们的方法相比最先进的方法具有卓越的重建性能。Method方法03本文提出了一个用于多模态MRI重建的联合配准-重建模型。首先定义了MRI图像的欠采样信号表示并在此基础上引入了经典压缩感知MRI和多模态MRI重建的能量函数。为了解决模态间的空间错位问题最终的能量函数被定义为包含空间位移场参数和对齐跨模态先验项的联合优化问题。该模型通过可微分的扭曲操作实现对参考模态图像的对齐。为了有效求解此模型将其分解为跨模态空间配准任务和多模态重建任务并采用交替优化策略。空间配准任务通过梯度下降算法更新位移场图像重建任务则通过引入辅助变量z和s利用半二次分裂HQS算法解决该算法将原问题分解为三个子问题更新z学习跨模态先验、更新s学习模态内先验和更新x执行数据一致性约束。接着本文将这些迭代步骤展开为一个深度展开网络DUN-SA其中包含空间配准模块SAM和重建模块RM。SAM负责优化位移场RM包含对齐跨模态先验学习模块AIPLB、去噪模块DB和数据一致性模块DCB分别学习跨模态先验、模态内去噪先验和细化重建结果。SAM使用U-Net作为SA-Net骨干网络预测位移场的更新而AIPLB和DB则分别使用ProxNetZ和ProxNetS均为U-Net变体替代传统优化中的近端算子并通过残差连接预测输出。整个网络通过端到端训练利用SSIM损失函数进行优化以确保模型的可解释性和性能。Discussion讨论04本节首先比较了DUN-SA与其他方法在训练过程中的收敛性能结果显示DUN-SA在整个训练过程中始终保持更高的PSNR和SSIM值以及更低的MAE证明其收敛性能更优。其次研究了DUN-SA在不同程度模态间错位下的性能表现发现随着错位程度增加DUN-SA的性能下降速度慢于SAN表明其对空间错位具有更强的鲁棒性。在空间配准性能比较中DUN-SA不仅实现了全局对齐还保留了局部结构优于传统方法和SAN尤其是在高加速因子下SAN逐渐无法有效对齐而DUN-SA受影响最小。此外实验评估了DUN-SA在参考数据不完善场景下的适应性即使参考模态欠采样DUN-SA也表现出优越性能并始终优于其他多模态重建方法验证了其对参考数据质量变化的适应性。消融研究表明最优迭代次数为12并且每个关键组件多模态辅助、空间配准、去噪块对于提升重建性能都是必要的。模型验证通过可视化中间结果直观地展示了空间配准任务和重建任务之间的相互促进作用提升了网络的透明度。最后对模型复杂度进行分析指出DUN-SA虽然复杂度居中但考虑到其综合重建性能具有良好的性价比。Conclusion结论05本文提出了一种新颖的用于多模态MRI重建的联合配准-重建模型。通过开发对齐的跨模态先验项将空间配准任务整合到重建过程中。为此我们设计了一种优化算法来求解该模型并进一步将每个迭代阶段展开为相应的网络模块从而构建了一个具有可解释性的深度展开网络命名为DUN-SA。通过端到端训练我们充分利用了模态内和模态间先验信息。在四个真实数据集上进行的全面实验表明所提出的DUN-SA在定量和定性评估方面均优于当前最先进的方法。此外我们验证了DUN-SA对模态间错位具有相对较强的鲁棒性即使加速因子增加对空间配准的影响也微乎其微。Results结果06本文在fastMRI、IXI、In-house和BraTS 2018四个真实数据集上进行了综合实验验证了所提出的DUN-SA方法的优越性能。实验结果表明在不同欠采样率4倍和8倍加速和采样模式等距和随机一维欠采样掩模下DUN-SA在PSNR、SSIM和MAE等定量指标上均优于单模态和现有的多模态重建方法。尤其是在8倍加速下多模态方法相比单模态方法展现出显著改进而引入空间配准进一步提升了这些指标。定性结果可视化图像和误差图显示DUN-SA重建的图像具有最少的伪影和重建差异能恢复其他方法未能捕捉到的精细纹理细节并且在肿瘤图像重建中表现出更精确和清晰的边缘细节。此外DUN-SA在训练过程中展现出更优的收敛性能对不同程度的模态间错位表现出更强的鲁棒性性能下降速度慢于其他考虑错位的方法。即使在参考数据不完善部分或全部欠采样的场景下DUN-SA仍能保持领先的重建质量证明了其良好的泛化能力和适应性。Figure图07图1. 所提出的带空间配准的深度展开网络DUN-SA的整体结构由SAM空间配准模块和RM重建模块组成。RM由AIPLB对齐跨模态先验学习块、DB去噪块和DCB数据一致性块构成。SAM用于解决空间配准任务而RM用于重建任务。具体来说AIPLB用于学习对齐的跨模态先验DB用于学习去噪先验DCB用于强制执行数据一致性约束。图2. 空间配准模块SAM的架构。图3. SA-Net、ProxNetZ和ProxNetS的详细配置。图4. 在fastMRI数据集上1D等距欠采样掩模下4倍加速的代表性方法视觉比较。第一行不同方法重建的图像第二行感兴趣区域的放大视图第三行4倍加速的等距掩模和不同方法的误差图。图5. 在IXI数据集上1D等距欠采样掩模下8倍加速的代表性方法视觉比较。第一行不同方法重建的图像第二行感兴趣区域的放大视图第三行8倍加速的等距掩模和不同方法的误差图。图6. 在In-house数据集上1D等距欠采样掩模下8倍加速的代表性方法视觉比较。第一行不同方法重建的图像第二行感兴趣区域的放大视图第三行8倍加速的等距掩模和不同方法的误差图。图7. 在BraTs 2018数据集上1D随机欠采样掩模下8倍加速的代表性方法视觉比较。第一行不同方法重建的图像第二行感兴趣区域的放大视图第三行8倍加速的随机掩模和不同方法的误差图。图8. 在fastMRI数据集上4倍加速和等距掩模下不同模型的学习轨迹比较。图9. 在不同程度模拟空间错位下fastMRI数据集上多模态MRI重建的定量比较。左侧y轴表示重建性能“DUN-SA”、“SAN”、“单模态SAN”和“单模态DUN-SA”而右侧y轴表示“DUN-SA”和“SAN”之间的“差异”。图10. 空间配准在fastMRI数据集上的效果可视化。(a)显示了原始全采样T1图像。(b)表示通过传统方法将欠采样T2图像与全采样T1图像对齐的结果。(c)描绘了将传统空间配准与重建集成进行联合优化的结果。(d)显示了DUN-SA的结果。细节显示在第一行对齐T1图像的放大视图以及第三行棋盘格可视化图的放大视图。11. 空间配准对In-house数据集效果的可视化。(a)、(b)分别表示全采样的T2加权图像和全采样的T1加权图像。(c)、(e)和(g)描绘了使用SAN在不同加速因子下对齐的T1加权图像而(d)、(f)和(h)显示了使用DUN-SA在不同加速因子下对齐的T1加权图像。第二行使用网格以便观察上述每个图像的空间位置第三行展示了放大视图。第四行采用棋盘格可视化展示T2加权图像与T1加权图像/对齐T1加权图像之间的错位最后一行放大相应区域以更清晰地显示细节。图12. fastMRI、IXI、In-house和BraTs数据集上不同阶段数k的PSNR和SSIM曲线。图13. 在fastMRI数据集上8倍加速和1D等距欠采样掩模下各组件效果的视觉比较。第一行不同方法重建的图像第二行感兴趣区域的放大视图第三行8倍加速的等距掩模和不同方法的误差图。图14. 阶段t的中间结果可视化地面真实xgt重建图像xt扭曲参考图像T(xref,Ï•t)表示为xreft跨模态先验zt以及模态内先验st。