王孜等发表指数稀疏深度学习与磁共振云计算重要成果

近日，厦门大学电子科学系/福建省等离子体与磁共振重点实验室在深度学习顶级期刊《IEEE Transactions on Neural Networks and Learning Systems》(SCI, JCR 1, TOP Journal, IF 10.45)上发表论文“A Sparse Model-inspired Deep Thresholding Network for Exponential Signal Reconstruction—Application in Fast Biological Spectroscopy”（Zi Wang, Di Guo, Zhangren Tu, Yihui Huang, Yirong Zhou, Jian Wang, Liubin Feng, Donghai Lin, Yongfu You, Tatiana Agback, Vladislav Orekhov, Xiaobo Qu*, DOI: 10.1109/TNNLS.2022.3144580, 2022），提出了一种稀疏深度学习指数信号重建方法并将其扩展至磁共振云计算平台。

指数信号的快速采集在雷达通信、荧光显微镜成像、电子系统的模数转换、地球科学、生物磁共振波谱等领域被广泛使用。欠采样指数信号的可靠重建是信号处理领域的前沿问题之一。

深度学习在这一领域已经显示出惊人的潜力，但仍旧存在许多亟待解决的问题，如缺乏鲁棒性和可解释性，这极大地限制了其应用。因此，设计一种适合于指数信号重建的深度神经网络，实现更鲁棒的性能、更强的可解释性和更低的计算成本，是该工作的主要出发点。

图1. XCloud-MoDern

在该工作中，结合稀疏最优化和深度学习的优点，屈小波教授团队提出了一种深度自适应阈值网络，称为MoDern（图1）。它遵循求解稀疏模型的迭代重建过程来构建神经网络架构，并精心设计了一种可学习的软阈值模块来自适应地消除欠采样带来的频谱伪影。大量合成和磁共振生物实验数据的结果表明，MoDern突破了最先进方法的性能瓶颈，能够实现鲁棒、高保真和超快速的重建，同时网络的可解释性强。此外，MoDern的网络结构紧凑，网络参数少，并且仅使用指数函数的合成数据进行训练。由于其在训练和测试数据不匹配方面展现的鲁棒性，它可以很好地在各种场景下对生物磁共振实验数据进行泛化，而无需重新训练。进一步地，屈小波教授团队将其扩展为一个开放获取、高性能和易于使用的磁共振云计算平台（http://36.134.147.88:2345/），称为XCloud-MoDern，以服务于更多的生物磁共振波谱研究人员，并为领域的发展提供了一个有前景的策略。

该项工作由厦门大学电子科学系屈小波教授及其领导的计算感知实验室成员王孜、涂章仁、黄奕晖、周毅荣、王健；厦门理工学院郭迪教授；厦门大学化学化工学院冯柳宾工程师、林东海教授；中国移动游永富；瑞典农业科学大学Tatiana Agback教授；瑞典哥德堡大学Vladislav Orekhov教授合作完成。屈小波教授担任通讯作者，其领导的计算感知实验室（http://csrc.xmu.edu.cn）主要从事计算磁共振成像、医学影像、人工智能、最优化和云计算等研究方向，受到国家优青等重要科研人才项目支持。

这项工作是厦门大学电子科学与技术学院与中国移动厦门分公司携手打造的“生物医学智能云研发中心”的重要成果之一。得到了国家自然科学基金（62122064、61971361、61871341、61811530021），福建省自然科学基金（2021J011184），国家重点研发计划（2017YFC0108703），厦门大学南强拔尖人才计划的资助。

相关链接：

王孜个人主页：https://csrc.xmu.edu.cn/index_cn/wangzi/index_cn.html

论文链接: http://dx.doi.org/10.1109/TNNLS.2022.3144580

共享代码和资料：https://github.com/wangziblake/MoDern

福建省等离子体与磁共振研究重点实验室: http://pmr.xmu.edu.cn/

计算感知实验室：http://csrc.xmu.edu.cn