基于稀疏图注意力机制的卷积神经网络用于 MRI 超分辨率
计算机视觉与模式识别
2023-05-30 v1 人工智能
摘要
磁共振成像 (MRI) 是显示解剖结构并辅助精确诊断的重要临床工具。基于深度学习的医学图像超分辨率 (SR) 重建可增强病灶分析，协助医生提升诊断效率与准确性。然而，现有基于深度学习的 SR 方法主要依赖卷积神经网络 (CNNs)，其固有局限限制了模型的表达能力，难以发掘不同图像特征间的潜在关联。为克服该局限，我们提出一种 A-network，利用多卷积算子特征提取模块 (MCO) 通过多种卷积算子提取图像特征；提取的特征经多组交叉特征提取模块 (MSC) 通过通道间特征交互突出关键特征，便于后续特征学习。并引入基于注意力的稀疏图神经网络模块建立像素特征间关系，学习哪些相邻像素对待填充特征的决定影响最大。为评估模型有效性，我们在多个数据集生成的不同退化倍数数据上用不同模型开展实验，结果表明本方法相较当前最优方法有明显提升。
引用
@article{arxiv.2305.17898,
title = {Convolutional neural network based on sparse graph attention mechanism for MRI super-resolution},
author = {Xin Hua and Zhijiang Du and Hongjian Yu and Jixin Maa},
journal= {arXiv preprint arXiv:2305.17898},
year = {2023}
}
备注
12 pages, 6 figures