CSR-dMRI: 基于解剖结构辅助隐式神经表征学习的扩散 MRI 连续超分辨率
图像与视频处理
2024-08-15 v2
摘要
基于深度学习的 dMRI 超分辨率方法可以通过利用神经网络在大数据集上的学习能力来有效增强图像分辨率。然而,这些方法倾向于学习低分辨率 (LR) 和高分辨率 (HR) 图像之间的固定尺度映射,忽略了放射科医生以任意分辨率缩放图像的需求。此外,图像域中的逐像素损失容易产生过度平滑的结果,丢失精细纹理和边缘信息。为了解决这些问题,我们提出了一种新颖的 dMRI 连续超分辨率方法,称为 CSR-dMRI,该方法利用了解剖结构辅助的隐式神经表征学习方法。具体而言,CSR-dMRI 模型由两部分组成。第一部分是潜在特征提取器,主要从 LR dMRI 和解剖图像中提取潜在空间特征图,同时从解剖图像中学习结构先验信息。第二部分是隐函数网络,利用体素坐标和潜在特征向量生成相应位置的体素强度。此外,引入了基于频域的损失以保留结构和纹理信息,进一步提升了图像质量。在公开可用的 HCP 数据集上的大量实验验证了我们方法的有效性。此外,我们的方法展现出优越的泛化能力,可应用于任意尺度的超分辨率,包括非整数缩放因子,扩展了其超越传统方法的适用性。
引用
@article{arxiv.2404.03209,
title = {CSR-dMRI: Continuous Super-Resolution of Diffusion MRI with Anatomical Structure-assisted Implicit Neural Representation Learning},
author = {Ruoyou Wu and Jian Cheng and Cheng Li and Juan Zou and Jing Yang and Wenxin Fan and Yong Liang and Shanshan Wang},
journal= {arXiv preprint arXiv:2404.03209},
year = {2024}
}
备注
10 pages