深度交替方向乘子法ADMM-Net用于压缩感知MRI研究（Matlab代码实现）

 💥💥💞💞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

 ⛳️赠与读者

💥1 概述

📚2 运行结果

🎉3 参考文献

🌈4 Matlab代码、数据、文章

---

 ⛳️赠与读者

👨‍💻做科研，涉及到一个深在的思想系统，需要科研者逻辑缜密，踏实认真，但是不能只是努力，很多时候借力比努力更重要，然后还要有仰望星空的创新点和启发点。当哲学课上老师问你什么是科学，什么是电的时候，不要觉得这些问题搞笑。哲学是科学之母，哲学就是追究终极问题，寻找那些不言自明只有小孩子会问的但是你却回答不出来的问题。建议读者按目录次序逐一浏览，免得骤然跌入幽暗的迷宫找不到来时的路，它不足为你揭示全部问题的答案，但若能让人胸中升起一朵朵疑云，也未尝不会酿成晚霞斑斓的别一番景致，万一它居然给你带来了一场精神世界的苦雨，那就借机洗刷一下原来存放在那儿的“躺平”上的尘埃吧。

     或许，雨过云收，神驰的天地更清朗.......🔎🔎🔎

💥1 概述

文献来源：

摘要：压缩感知（CS）是用于快速磁共振成像（MRI）的有效方法。它旨在从k空间中少量的欠采样数据中重建MR图像，并加快MRI中的数据采集。为了提高当前MRI系统在重建准确性和计算速度方面的性能，在本文中，我们提出了一种新颖的深度架构，名为ADMM-Net。ADMM-Net是基于数据流图定义的，该图源自交替方向乘子法（ADMM）算法中的迭代过程，用于优化基于CS的MRI模型。在训练阶段，网络的所有参数，例如图像变换、收缩函数等，都经过端到端的有区别地使用L-BFGS算法进行训练。在测试阶段，它的计算开销类似于ADMM，但使用从训练数据中学习到的优化参数进行基于CS的重建任务。在不同k空间采样比率下进行的MRI图像重建实验表明，它显著改善了基线ADMM算法，并以快速的计算速度实现了高重建准确性。

核磁共振成像（MRI）是一种无创成像技术，为临床诊断提供功能和解剖信息。成像速度是一个基本挑战。快速MRI技术在加速数据采集的同时仍能重建高质量图像方面被广泛需求。压缩感知MRI（CS-MRI）是一种有效的方法，允许数据采样率远低于奈奎斯特率而不会显著降低图像质量。CS-MRI方法首先在k空间（即傅里叶空间）中对数据进行采样，然后利用压缩感知理论重建图像。与数据先验有关的正则化是CS-MRI模型中减少成像伪影并提高成像精度的关键组成部分。稀疏正则化可以在特定变换域或基于通用字典的子空间中进行探索。梯度域中的总变差（TV）正则化在MRI中被广泛使用。尽管这种方法容易且快速进行优化，但在重建图像中会引入阶梯伪影。文献中的方法利用小波域中的稀疏正则化。字典学习方法依赖于本地补丁的字典来提高重建精度。非局部方法利用相似本地补丁组进行联合补丁级重建，以更好地保留图像细节。基本的CS-MRI方法运行速度快，但产生的重建结果准确性较低。非局部和基于字典学习的方法通常输出质量更高的MR图像，但重建速度较慢。在CS-MRI模型中，通常很难选择最佳的图像变换域/子空间和相应的稀疏正则化。

📚2 运行结果

部分代码：

%% Load trained network
load('./net/network_20/net-stage15.mat')
%% Load data 
load('./data/Brain_data/Brain_data1.mat')
%load('.data/Chest_data/chest_data1.mat')
load('./mask/mask_20.mat')
%% Undersampling in the k-space
kspace_full = fft2(im_ori); 
y = (double(kspace_full)) .* (ifftshift(mask));
data.train = y;
data.label = im_ori;

%% reconstrction by ADMM-Net
%tic
[re_LOss, rec_image] = loss_with_gradient_single_before(data, net);
%Time_Net_rec = toc
re_PSnr = psnr(abs(rec_image) , abs(data.label))
re_LOss
Zero_filling_rec = ifft2(y);
figure;
subplot(1,2,1); imshow(abs(Zero_filling_rec)); xlabel('Zero-filling reconstructon result');
subplot(1,2,2); imshow(abs(rec_image)); xlabel('ADMM-Net reconstruction result');
imwrite(abs(rec_image),'rec_image.png')

🎉3 参考文献

文章中一些内容引自网络，会注明出处或引用为参考文献，难免有未尽之处，如有不妥，请随时联系删除。

🌈4 Matlab代码、数据、文章