APPRENTISSAGE AUTOMATIQUE PERMETTANT L'OPTIMISATION SIMULTANÉE D'UN MOTIF DE SOUS-ÉCHANTILLONNAGE ET D'UN MODÈLE DE RECONSTRUCTION CORRESPONDANT DANS UNE DÉTECTION DE COMPRESSION
Systems and methods are disclosed for optimizing a sub-sampling pattern for efficient capture of a sub-sampled image to be reconstructed to form a high-resolution image, in a data-driven fashion. For example, Magnetic Resonance Imaging (MRI) scans can be accelerated by under-sampling in k-space (i.e., the Fourier domain). Since the reconstruction model's success depends on the sub-sampling pattern, optimization of the sub-sampling pattern can be combined with optimization of the model, for a given sparsity constraint, using an end-to-end learning operation. A machine-learning model may be trained using full-resolution training data that are under-sampled retrospectively, yielding a sub-sampling pattern and reconstruction model that are customized to the type of images represented in the training data. The disclosed Learning-based Optimization of the Under-sampling PattErn (LOUPE) operations may implement a convolutional neural network architecture, appended with a forward model that encodes the under-sampling process.L'invention concerne des systèmes et des méthodes d'optimisation d'un motif de sous-échantillonnage destinée à une capture efficace d'une image sous-échantillonnée à reconstruire afin de former une image à haute résolution, d'une manière commandée par données. Par exemple, des balayages d'imagerie par résonance magnétique (IRM) peuvent être accélérés par un sous-échantillonnage dans un espace k (c'est-à-dire le domaine de Fourier). Comme le succès du modèle de reconstruction dépend du motif de sous-échantillonnage, l'optimisation du motif de sous-échantillonnage peut être combinée à une optimisation du modèle, pour une contrainte de rareté donnée, à l'aide d'une opération d'apprentissage de bout en bout. Un modèle d'apprentissage automatique peut être entraîné à l'aide de données d'apprentissage à pleine résolution sous-échantillonnées rétrospectivement, ce qui produit un modèle de sous-échantillonnage et un modèle de reconstruction personnalisés pour l
