基于 3D 循环卷积自编码器的扩散 MRI 角度超分辨率
图像与视频处理
2022-03-30 v1 计算机视觉与模式识别
摘要
高分辨率扩散 MRI（dMRI）数据在临床环境中常受限于有限的扫描时间，从而限制了本可使用的下游分析技术。在本工作中，我们开发了一种 3D 循环卷积神经网络（RCNN），能够在角度（q 空间）域中对 dMRI 体积进行超分辨率重建。我们的方法将角度超分辨率任务表述为以目标 b 向量为条件的 3D 自编码器的分块回归。在网络内部，我们使用卷积长短期记忆（ConvLSTM）单元来建模 q 空间样本之间的关系。我们将模型性能与基线球谐插值和该模型架构的 1D 变体进行比较。我们表明，3D 模型在不同子采样方案和 b 值下具有最低的错误率。3D RCNN 的相对性能在极低角度分辨率域中最为显著。本项目的代码可在 https://github.com/m-lyon/dMRI-RCNN 获取。
引用
@article{arxiv.2203.15598,
title = {Angular Super-Resolution in Diffusion MRI with a 3D Recurrent Convolutional Autoencoder},
author = {Matthew Lyon and Paul Armitage and Mauricio A. Álvarez},
journal= {arXiv preprint arXiv:2203.15598},
year = {2022}
}
备注
Accepted to published in MIDL'22. Openreview link: https://openreview.net/forum?id=U6HJMtAgW-N