自编码低分辨率 MRI 以实现各向异性 MRI 的语义平滑插值

高分辨率医学图像有利于分析，但其获取并不总是可行的。或者，可以使用传统的上采样方法从低分辨率采集创建高分辨率图像，但此类方法无法利用图像中包含的高层上下文信息。最近，引入了性能更好的基于深度学习的超分辨率方法。然而，这些方法受限于其监督特性，即它们需要高分辨率示例进行训练。相反，我们提出了一种无监督深度学习语义插值方法，该方法从编码的低分辨率示例合成新的中间切片。为了在穿层方向实现语义平滑插值，该方法利用了自编码器生成的潜在空间。为了生成新的中间切片，使用两个空间相邻切片的凸组合来组合它们的潜在空间编码。随后，将组合后的编码解码为中间切片。为了约束模型，为给定数据集定义了语义相似性的概念。为此，引入了一种新的损失，该损失利用了同一体积切片之间的空间关系。在训练期间，使用其相邻切片编码的凸组合生成现有的中间切片。该方法使用公开可用的心脏电影、新生儿大脑和成人大脑 MRI 扫描进行了训练和评估。在所有评估中，就结构相似性指数和峰值信噪比而言（使用单侧 Wilcoxon 符号秩检验 p < 0.001），新方法产生的结果明显优于三次 B 样条插值方法。鉴于该方法的无监督特性，不需要高分辨率训练数据，因此该方法可以直接应用于临床环境。