联合 MRI 超分辨率与 Gibbs 伪影去除的无监督框架
图像与视频处理
2023-02-07 v1 人工智能
计算机视觉与模式识别
机器学习
摘要
磁共振成像 (MRI) 生成的 k 空间数据仅是底层信号的有限采样。因此，MRI 图像通常受限于低空间分辨率和 Gibbs 振铃伪影。以往的研究分别处理这两个问题，其中超分辨率方法往往会增强 Gibbs 伪影，而 Gibbs 振铃去除方法往往会使图像模糊。临床 MRI 中难以获取高分辨率真实参考值也是一个挑战。在本文中，我们提出了一种无监督学习框架，可同时进行 MRI 超分辨率和 Gibbs 伪影去除，而无需使用高分辨率真实参考值。此外，我们提出了正则化方法以提高模型在分布外 MRI 图像上的泛化能力。我们在具有各种对比度和解剖结构的八个 MRI 数据集上，将我们提出的方法与其他 state-of-the-art 方法进行了评估。我们的方法不仅实现了最佳的超分辨率性能，而且显著减少了 Gibbs 伪影。我们的方法还在不同数据集上展现出良好的泛化能力，这对于训练数据通常稀缺且有偏的临床应用是有益的。
引用
@article{arxiv.2302.02849,
title = {An Unsupervised Framework for Joint MRI Super Resolution and Gibbs Artifact Removal},
author = {Yikang Liu and Eric Z. Chen and Xiao Chen and Terrence Chen and Shanhui Sun},
journal= {arXiv preprint arXiv:2302.02849},
year = {2023}
}
备注
Accepted by the 28th biennial international conference on Information Processing in Medical Imaging (IPMI 2023)