基于 Elucidated Diffusion 模型的 3D 卷积与 2.5D 切片条件 U-Net 架构用于 MRI 超分辨率比较分析
计算机视觉与模式识别
2026-03-17 v1 人工智能
摘要
磁共振成像（MRI）超分辨率（SR）方法通过计算性提升低分辨率获取以模拟高分辨率质量，为昂贵的高场扫描器提供了引人入胜的替代方案。本文我们探讨了一个 elucidated diffusion model（EDM）框架用于大脑 MRI SR，并比较了两种 U-Net 主干架构：（i）一个全 3D 卷积 U-Net，该模型使用 3D 卷积和多头注意力处理体积块；（ii）一个 2.5D 切片条件 U-Net，该模型独立处理每个切片，同时基于相邻切片进行条件，以获取切片间上下文。两种模型都采用 Karras 等人的连续 sigma 噪声条件化。我们在 NKI 队列的 FOMO60K 数据集上进行训练。在 5 名受试者（6 个体积，993 个切片）的 held-out 测试集上，3D 模型实现了 37.75 dB PSNR、0.997 SSIM 和 0.020 LPIPS，在所有三个指标上均优于即插即用的预训练 EDSR 基线（35.57 dB / 0.024 LPIPS）和 2.5D 变体（35.82 dB），在相同的测试数据和降质 pipeline 下运行。
引用
@article{arxiv.2603.14667,
title = {Comparative Analysis of 3D Convolutional and 2.5D Slice-Conditioned U-Net Architectures for MRI Super-Resolution via Elucidated Diffusion Models},
author = {Hendrik Chiche and Ludovic Corcos and Logan Rouge},
journal= {arXiv preprint arXiv:2603.14667},
year = {2026}
}