用于单幅MR图像超分辨率的通道分裂网络
计算机视觉与模式识别
2019-09-17 v3
摘要
高分辨率磁共振(MR)成像因有助于更准确的后续分析和早期临床诊断，在许多临床应用中备受青睐。单图像超分辨率(SISR)是一种有效且经济高效的替代技术，可用于提高MR图像的空间分辨率。过去几年中，基于深度学习技术（尤其是卷积神经网络(CNN)）的SISR方法在自然图像上取得了最先进的性能。然而，随着网络加深，信息逐渐减弱且训练变得越来越困难。对于医学图像该问题更为严重，因为缺乏高质量和有效的训练样本使得深度模型易于欠拟合或过拟合。此外，许多当前模型对不同通道上的层次特征等同对待，这不利于模型有判别性和针对性地处理层次特征。为此，我们提出了一种新颖的通道分裂网络(CSN)以缓解深度模型的表征负担。所提出的CSN模型将层次特征划分为两个具有不同信息传输的分支，即残差分支和稠密分支。残差分支能够促进特征复用，而稠密分支有利于新特征的探索。此外，我们还采用合并-运行映射以促进不同分支间的信息整合。在包括质子密度(PD)、T1和T2图像在内的多种MR图像上的大量实验表明，所提出的CSN模型优于其他最先进的SISR方法。
引用
@article{arxiv.1810.06453,
title = {Channel Splitting Network for Single MR Image Super-Resolution},
author = {Xiaole Zhao and Yulun Zhang and Tao Zhang and Xueming Zou},
journal= {arXiv preprint arXiv:1810.06453},
year = {2019}
}
备注
13 pages, 11 figures and 4 tables