用于各向异性 MR 脑图像超分辨率的深度滤波器组回归
图像与视频处理
2022-09-07 v1 计算机视觉与模式识别
摘要
在二维多层磁共振（MR）采集中，层间信号的分辨率通常低于层内信号。尽管当代超分辨率（SR）方法旨在恢复潜在的高分辨率体数据，但所估计的高频信息是通过端到端数据驱动训练隐式获得的，而非被显式表述并求解。为此，我们根据完美重构滤波器组重新表述 SR 问题，使我们能够识别并直接估计缺失信息。在本工作中，我们提出一种两阶段方法来近似完成对应于特定扫描各向异性采集的完美重构滤波器组。在第一阶段，我们使用梯度下降估计缺失滤波器；在第二阶段，我们使用深度网络学习从粗系数到细节系数的映射。此外，所提公式不依赖外部训练数据，从而规避了域偏移校正的需求。在我们的方法下，SR 性能在“层间隙”场景中尤其得到提升，这可能是由于框架所施加的受限解空间所致。
引用
@article{arxiv.2209.02611,
title = {Deep filter bank regression for super-resolution of anisotropic MR brain images},
author = {Samuel W. Remedios and Shuo Han and Yuan Xue and Aaron Carass and Trac D. Tran and Dzung L. Pham and Jerry L. Prince},
journal= {arXiv preprint arXiv:2209.02611},
year = {2022}
}