基于隐式神经表示的任意尺度三维MR图像超分辨率方法

高分辨率（HR）医学图像提供丰富的解剖结构细节以促进早期和准确诊断。在MRI中，受硬件能力、扫描时间和患者配合能力限制，各向同性三维HR图像采集通常需要较长扫描时间，并导致空间覆盖小和低信噪比（SNR）。近期研究表明，利用深度卷积神经网络，可通过单图像超分辨率（SISR）算法从低分辨率（LR）输入恢复各向同性HR MR图像。然而，大多数现有SISR方法倾向于逼近LR与HR图像间尺度特定的映射，因而只能处理固定的上采样率。为实现不同上采样率，必须分别构建多个SR网络，这非常耗时且耗费资源。本文中，我们提出ArSSR，一种用于恢复三维HR MR图像的任意尺度超分辨率方法。在ArSSR模型中，不同上缩放率HR图像的重建被定义为从观测LR图像学习连续隐式体素函数。然后将SR任务转化为通过一组配对HR-LR训练样本用深度神经网络表示隐式体素函数。ArSSR模型由编码器网络和解码器网络组成。具体而言，卷积编码器网络从LR输入图像提取特征图，全连接解码器网络逼近隐式体素函数。由于所学函数的连续性，单个ArSSR模型在训练后能从任意输入LR图像实现HR图像的任意上采样率重建。在三个数据集上的实验结果表明，ArSSR模型在使用单一训练模型实现任意上采样尺度的同时，可达到三维HR MR图像重建的SOTA（最优）SR性能。