Learning Regularization Parameter-Maps for Variational Image Reconstruction using Deep Neural Networks and Algorithm Unrolling

Andreas Kofler (PTB) veröffentlichte zusammen mit Fabian Altekrüger (TU Berlin), Fatima Antarou Ba (TU Berlin), Christoph Kolbitsch(PTB), Evangelos Papoutsellis (Finden Ltd), David Schote (PTB), Clemens Sirotenko (WIAS), Felix Frederik Zimmermann (PTB) und Kostas Papafitsoros (QMUL) einen Artikel in SIAM Imaging Sciences.

Der Artikel beschreibt eine neue Methode zum Lernen von Regularisierungsparameterkarten, die für die Bildrekonstruktion verwendet werden können. Der vorgeschlagene Ansatz beinhaltet ein trainierbares Netzwerk, das aus zwei verschiedenen Teilnetzwerken besteht: Das erste schätzt Regularisierungsparameterkarten und das zweite rekonstruiert Bilder unter Verwendung des eines für das betrachtete Problem geeigneten Rekonstruktionsalgorithmus.

In dem Artikel wird die Methode zur Rekonstruktion auf der Grundlage der totalen Variationsminimierung für verschiedene Bildgebungsprobleme angewandt: dynamische kardiale MRT, T1-Mapping im Gehirn, dynamische Bildentrauschung und Niedrigdosis-Computertomographie.

Die erhaltenen Regularisierungsparameterkarten verbessern die Qualität der TV-Rekonstruktionen, die nur mit skalaren Regularisierungsparametern erzielt werden können, und passen sich natürlich an die zum Training verwendeten Daten an.

Initiiert wurde dieses Projekt durch den Hackathon "Math Meets Image", organisiert von Felix Ambellan (ZIB), Robert Beinert (TU Berlin), Christoph Kolbitsch (PTB), Kostas Papafitsoros (WIAS) und Christoph von Tycowicz (FU Berlin, ZIB) im Rahmen des Math+ Thematischen Einstein-Semesters zu "Mathematics of Imaging in real-world challenges". Es brachte junge Wissenschaftler aus verschiedenen Berliner Institutionen zusammen, um ein anspruchsvolles Problem zu lösen, das sowohl in verschiedenen Bereichen der medizinischen Bildgebung wie MRI und CT vorkommt, als in der Signalverarbeitung von Videosequenzen.

Ein Preprint des akzeptierten Artikels ist unter https://arxiv.org/abs/2301.05888 verfügbar. Eine Implementierung des Codes wird unter https://github.com/koflera/LearningRegularizationParameterMaps zur Verfügung gestellt.

Ansprechpartner:

Andreas Kofler, E-Mail: 📧 andreas.kofler(at)ptb.de