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,...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).展开更多
文摘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).