CAHAL: 面向低分辨率MRI扫描的临床适用分辨率增强方法
计算机视觉与模式识别
2026-04-22 v1
摘要
大规模脑部MRI自动形态学分析受到常规临床实践中普遍存在的厚层、各向异性采集的限制。现有的生成式超分辨率方法能产生视觉上令人满意的各向同性体积，但常常引入解剖学幻觉、系统性体积高估和结构失真，从而影响下游定量分析和诊断安全性。为了解决这个问题，我们提出了CAHAL，一个对幻觉鲁棒的、基于物理信息的分辨率增强框架，它直接在患者原生采集空间中运行。CAHAL采用一个确定性的双变量混合专家架构，根据体积分辨率和采集各向异性（临床MRI采集的两个独立描述符）将每个输入路由到专门的残差3D U-Net专家。专家通过一个复合损失进行优化，该损失结合了边缘惩罚空间重建、傅里叶域频谱一致性匹配和分割引导的语义一致性约束。训练对通过基于物理的退化过程即时生成，该退化过程从大规模真实世界数据库中采样，确保了鲁棒的泛化。在T1加权和FLAIR序列上，与生成式基线相比，CAHAL取得了最先进的结果，在准确性和效率方面改进了最佳相关方法。
引用
@article{arxiv.2604.18781,
title = {CAHAL: Clinically Applicable resolution enHAncement for Low-resolution MRI scans},
author = {Sergio Morell-Ortega and Ángela González-Cebrián and Boris Mansencal and Marien Gadea and Roberto Vivo-Hernando and Gregorio Rubio and Fernando Aparici and Maria de la Iglesia-Vaya and Gwenaelle Catheline and Pierrick Coupé and José V. Manjón},
journal= {arXiv preprint arXiv:2604.18781},
year = {2026}
}