生成对抗网络在超分辨率医学影像中的应用
图像与视频处理
2019-12-23 v1 计算机视觉与模式识别
摘要
获取高分辨率（HR）磁共振（MR）图像需要患者长时间保持静止，这导致患者不适并增加运动诱发图像伪影的概率。一种可能的解决方案是获取低分辨率（LR）图像，并使用超分辨率生成对抗网络（SRGAN）对其进行处理以生成 HR 版本。获取 LR 图像比获取 HR 图像所需扫描时间更短，从而提升患者舒适度与扫描仪吞吐量。本工作将 SRGAN 应用于前列腺 MR 图像，将平面内分辨率提升 4 倍和 8 倍。本文语境中的'超分辨率（super resolution）'指医学图像的后处理增强，而非指 MR 采集阶段获取的原生图像分辨率的'高分辨率（high resolution）'。我们还将 SRGAN 与另外三种模型比较：SRCNN、SRResNet 和稀疏表示（Sparse Representation）。尽管 SRGAN 结果不具备最佳的峰值信噪比（PSNR）或结构相似性（SSIM）指标，但如平均意见得分（MOS）结果所示，它们在视觉上与原始 HR 图像最为相似。
引用
@article{arxiv.1912.09507,
title = {An Application of Generative Adversarial Networks for Super Resolution Medical Imaging},
author = {Rewa Sood and Binit Topiwala and Karthik Choutagunta and Rohit Sood and Mirabela Rusu},
journal= {arXiv preprint arXiv:1912.09507},
year = {2019}
}
备注
International Conference on Machine Learning Applications, 6 pages, 5 figures, 2 tables