图像质量转换的替代学习范式

图像质量转换（IQT）旨在利用从高质量图像中学到的丰富信息来增强低质量医学图像（如来自低功率设备获取的图像）的对比度和分辨率。与采用监督学习框架的现有IQT方法不同，在本工作中，我们提出了IQT问题的两种新公式化方法。第一种方法使用无监督学习框架，第二种方法是监督学习和无监督学习的结合。无监督学习方法考虑稀疏表示（SRep）和字典学习模型，我们称之为IQT-SRep，而监督与无监督学习结合的方法基于深度字典学习（DDL），我们称之为IQT-DDL。IQT-SRep方法使用低质量和高质量体积对训练两个字典。随后，低质量块相对于低质量字典的稀疏表示可以直接使用高质量字典来恢复相应的高质量块。另一方面，IQT-DDL方法显式地学习一个高分辨率字典来放大输入体积，同时整个网络，包括高质量字典生成器，被同时优化以充分利用深度学习方法。两种模型在一个低场磁共振成像（MRI）应用中进行了评估，旨在恢复类似于高场扫描仪获取的高质量图像。将所提出的方法与最先进的有监督深度学习IQT方法（IQT-DL）进行比较的实验表明，IQT问题的两种新公式化方法可以在使用与训练数据分布不同的分布外数据进行测试时避免有监督方法相关的偏差。这突显了这些新范式在IQT中的潜在优势。