题目：A Deep Learning Approach For Compressive Sensing MRI

时间：2025/05/11 9:30-12:00

地点：数学与统计楼213

报告人：张波  研究员   中科院数学与系统科学研究院

摘要：Magnetic resonance imaging (MRI) is an important but slow imaging technique. Undersampling in k-space can accelerate the sampling process but it brings challenges to high quality image reconstruction. Compressive sensing (CS) is an effective technique for high quality MRI image reconstruction from undersampled k-space measurements. In this talk, we propose a deep learning approach to the CS-based MRI image reconstruction from undersampled k-space measurements, named as NPDHG-CSnets. In NPDHG-CSnets, a general nonlinear regularization functional can be learned by a novel unroll deep neural network architecture, and the learned CS-MRI model is solved by a Nonlinear Primal-Dual Hybrid Gradient algorithm. Extensive experiments on real MRI image reconstruction show that the proposed NPDHG-CSnets achieves state-of-the-art reconstruction performance and good generalization ability. This talk is based on joint work with Ruihang Xu and Haiwen Zhang. 

报告人简介：张波，1983年毕业于山东大学数学系，1985年在西安交通大学获硕士学位，1992年在英国斯特拉斯克莱德（Strathclyde）大学获博士学位。现任中科院数学与系统科学研究院研究员，中国工业与应用数学学会秘书长、大数据与人工智能专委会副主任、反问题与成像专委会副主任。2003-2007任英国Coventry大学应用数学教授，2004年通过中国科学院“百人计划”回国。长期致力于数学与信息的交叉研究，在波传播与散射正反问题与人工智能的交叉研究方面做出系统性创新性贡献，与合作者解决了二维无穷粗糙曲面散射问题的数学基础这一长期公开问题，提出了三维时域电磁散射问题的第一个收敛的完美匹配层法，解决了在散射体物理性质已知情形下声波无相位远场数据反散射问题的唯一性这一长期公开问题，提出了基于数学与信息深度融合的极化合成孔径雷达数据解译的新途径，突破通用向量方法向高维张量的拓展和有效融合框架构建的瓶颈，减少极化信息和统计信息丢失，实现了极化合成孔径雷达数据高效准确的感知理解。在SIAM系列和IEEE系列等国际知名SCI期刊发表论文150余篇，引发了多项后续研究。曾任中科院数学与系统科学研究院应用数学研究所副所长，2019年反问题国际联合会Calderon奖委员会成员，国际知名SCI期刊《IEEE Transactions on Cybernetics》编委（2012-2018），反问题国际联合会东亚分会副主席（2016-2023），中国数学会常务理事。应邀在2012年第6届和2018年第9届反问题国际会议做大会特邀报告，三次获得中科院优秀导师奖（2013, 2019, 2020），2021年获中国科学院大学领雁银奖，获2022年度北京市自然科学奖二等奖（第1完成人，信息领域），中国工业与应用数学学会（CSIAM）会士。