融合局部低秩先验与Bloch流形约束的磁共振指纹重建算法

为了实现快速成像,磁共振指纹(Magnetic Resonance Fingerprinting,MRF)技术通常使用非笛卡尔稀疏采样模板对K空间进行高度欠采样,从而获得稀疏K空间信号.然而,从稀疏的K空间信号重建像空间数据是一个病态不适定问题,重建出的MRF像空间数据存在大量的混叠伪影,直接影响到组织生理参数的重建准确度.为此需要将各种先验知识引入重建模型之中,以缓解MRF重建问题的不适定性.针对上述问题,本文提出一种融合局部低秩先验与Bloch流形约束的MRF重建模型,并使用交替方向乘子法(Alternating Direction Method of Multipliers,ADMM)求解模型中的非凸MRF重建问题.本文算法在引入MRF像空间数据的局部低秩先验的同时,使用预先构建的字典为重建指纹提供流形约束.一方面通过空域局部低秩约束有效抑制混叠伪影的产生,另一方面利用字典先验避免指纹的时域流形特征在迭代重建过程中丢失.仿真实验结果表明,相较于引入了全局低秩先验与Bloch流形约束的其他同类算法,本文算法可以提供更高的组织参数重建准确度.

基于多任务深度学习的铝材表面缺陷检测

针对工业铝材缺陷检测中由缺陷样本稀疏带来的训练过拟合、泛化性能差等问题,提出一种基于多任务深度学习的铝材缺陷检测方法。先基于Faster RCNN设计一个包含铝材区域分割、缺陷多标签分类和缺陷目标检测的多任务深度网络模型;再设计多任务损失层,利用自适应权重对各项任务进行加权平衡,解决了多项任务训练中的收敛不均衡问题。实验结果表明,在有限的数据集支持下,相较于单任务学习,该方法能够在保持分割任务的均交并比(MIoU)指标最优的情况下,分别提高多标签分类和缺陷目标检测的准确率,解决了由铝材缺陷检测样本少引起的检测精度较低的问题。对于多任务应用场景,该模型能够同时完成三个任务,减少推断时间,提高检测效率。