有效利用复杂值！在MRI中应用复杂神经网络提高准确率

三个要点
✔️ 加速MRI扫描的潜力 
✔️ 通过复杂的神经网络利用数据的内在属性 
✔️ 与一般实心卷积在各种条件下的准确性比较。

Analysis of Deep Complex-Valued Convolutional Neural Networks for MRI Reconstruction
written by Elizabeth K. Cole, Joseph Y. Cheng, John M. Pauly, Shreyas S. Vasanawala
(Submitted 3 Apr 2020 (v1), last revised 12 May 2020 (this version, v4))
Comments: Published by arXiv
Subjects: Image and Video Processing (eess.IV); Computer Vision and Pattern Recognition (cs.CV); Machine Learning (cs.LG); Medical Physics (physics.med-ph)

 

Code

介绍

在现实世界中获得的数据并不局限于实际值的范围。本文的核磁共振数据就是其中之一，我想包括信号处理域在内的复杂值范围内的数据有很多。目前，一般的CNN都是在实值范围内计算数据，无法在保持复杂值关系的前提下对数据进行卷积。

然而，通过保持这些关系的完整性，卷积可能会导致更准确的预测。本文讨论的核磁共振成像，但核磁共振成像的挑战之一是扫描速度慢。虽然有各种方法可以更快地完成扫描，但由于数据的内在性质，利用复杂的关系，可以提高MRI图像重建的准确性，提高扫描速度。

本文采用考虑到复杂值之间关系的复杂CNN，通过与一般（实）CNN的比较，研究复杂CNN在各种条件下对精度的影响。

什么是复杂的CNN？

竹味 和輝