【ADMM】基于交替方向乘法器(ADMM)算法优化基于cs的速磁共振成像MRI研究（Matlab代码实现）

本文链接：https://blog.csdn.net/weixin_46039719/article/details/129299080

👨‍🎓个人主页：研学社的博客

💥💥💞💞欢迎来到本博客❤️❤️💥💥

🏆博主优势：🌞🌞🌞博客内容尽量做到思维缜密，逻辑清晰，为了方便读者。

⛳️座右铭：行百里者，半于九十。

📋📋📋本文目录如下：🎁🎁🎁

目录

💥1 概述

📚2 运行结果

🎉3 参考文献

🌈4 Matlab代码、数据、文章讲解

💥1 概述

磁共振成像(MRI)是一种为临床诊断提供功能和解剖信息的非侵入性成像技术。成像速度是一个基本的挑战。快速MRI技术本质上需要加速数据采集，同时仍然重建高质量的图像。压缩感知MRI (CS-MRI)是一种有效的方法，可以在不显著降低图像质量[1]的情况下，实现远低于Nyquist速率的数据采样。

CS-MRI方法首先在k空间(即傅里叶空间)中采样数据，然后使用压缩感知理论重建图像。在CSMRI模型中，与先验数据相关的正则化是减少成像伪影和提高成像精度的关键组成部分。稀疏正则化可以在特定的变换域或一般基于字典的子空间[2]中进行探索。梯度域的总V变异(TV)正则化已广泛应用于MRI[3,4]。虽然优化简单快速，但在重建图像中引入了阶梯形伪影。[5,6]中的方法利用了小波域的稀疏正则化。字典学习方法依靠局部补丁字典来提高重构精度[7,8]。非局部方法使用一组相似的局部斑块进行联合斑块级重建，以更好地保存图像细节[9,10,11]。

在性能上，基本的CS-MRI方法运行速度快，但产生的重建结果不准确。

基于非局部和字典学习的方法通常能输出质量较高的MR图像，但重构速度较慢。在CS-MRI模型中，选择最优的图像变换域/子空间和相应的稀疏正则化通常具有挑战性。

压缩感知(CS)是一种快速磁共振成像(MRI)的有效方法。它的目的是利用k-空间中少量的欠采样数据重构磁共振图像，加快磁共振数据采集速度。为了提高现有MRI系统的重建精度和计算速度，本文提出了一种新的深度架构，称为ADMM-Net。ADMMNet定义在一个数据流图上，该数据流图来自于交替方向乘法器(ADMM)算法中用于优化基于cs的MRI模型的迭代过程。在训练阶段，使用L-BFGS算法对网络的所有参数，如图像变换、收缩函数等进行端到端的鉴别训练。在测试阶段，它具有与ADMM相似的计算开销，但在基于cs的重建任务中使用从训练数据中学习到的优化参数。在k空间不同采样比下的MRI图像重建实验表明，该算法显著改进了基线ADMM算法，在计算速度快的情况下实现了较高的重建精度。

📚2 运行结果

部分代码：

%% This is a traning code for ADMM-Net by L-BFGS optimizing.
%% If you use this code, please cite our paper:
%% [1] Yan Yang, Jian Sun, Huibin Li, Zongben Xu. Deep ADMM-Net for Compressive Sensing MRI, NIPS(2016).
%% Copyright (c) 2017 Yan Yang
%% All rights reserved.

clear all ;
clc;
addpath('./Train_LBFGS/')
addpath('./Train_LBFGS/lb')
addpath('./Train_LBFGS/Matlab')
addpath('./layersfunction/')
addpath('./util')

%% Network initialization
net = InitNet ( );

%% Initial loss
wei0 = netTOwei(net);
l0 = loss_with_gradient_total(wei0)

%% L-BFGS optimiztion
fun = @loss_with_gradient_total;
%parameters in the L-BFGS algorithm
low = -inf*ones(length(wei0),1);
upp = inf*ones(length(wei0),1);
opts.x0 = double(gather(wei0));
opts.m = 5;
opts.maxIts = 7.2e4;
opts.maxTotalIts = 7.2e4;
opts.printEvery = 1;
[wei1, l1, info] = lbfgsb(fun, low, upp, opts);
wei1=single(wei1);
net1 = weiTOnet(wei1);
fprintf('Before training, error is %f; after training, error is %f.\n', l0, l1);