脑 MRI 图像的任意尺度超分辨率
图像与视频处理
2020-06-05 v2 计算机视觉与模式识别
机器学习
摘要
近期针对医学图像超分辨率的尝试使用生成对抗网络（GAN）等深度学习技术来实现感知逼真的单图像超分辨率。然而，它们受限于无法泛化到不同尺度因子，这涉及高昂的存储和能耗，因为每个整数尺度因子都需要一个单独的神经网络。最近的一篇论文提出了一种新颖的元学习技术，其使用权重预测网络仅借助单个神经网络即可实现任意尺度因子的超分辨率。在本文中，我们提出了一种新网络，将该技术与 SRGAN（一种最先进的基于 GAN 的架构）相结合，以实现医学图像的任意尺度、高保真超分辨率。通过使用该网络对来自多模态脑肿瘤分割挑战赛（BraTS）数据集的图像进行任意尺度放大，我们证明其在 SSIM 分数上比传统插值方法高出至多 20%，同时保持对脑 MRI 图像的泛化能力。我们表明跨尺度的性能未受影响，并且其能够与 EDSR 等其他最先进方法取得有竞争力的结果，同时模型尺寸比它们小五十倍。结合效率、性能和泛化能力，这有望成为应对医学图像超分辨率的新基础。在此查看 webapp：https://metasrgan.herokuapp.com/ 在此查看 github 教程：https://github.com/pancakewaffles/metasrgan-tutorial
引用
@article{arxiv.2004.02086,
title = {Arbitrary Scale Super-Resolution for Brain MRI Images},
author = {Chuan Tan and Jin Zhu and Pietro Lio'},
journal= {arXiv preprint arXiv:2004.02086},
year = {2020}
}
备注
12 pages, 8 figures, 1 table, to appear as a full paper with oral contribution in AIAI 2020