面向低场到高场 MR 的深度学习方法：基于概率抽取模拟器的图像质量迁移
图像与视频处理
2019-09-17 v1 计算机视觉与模式识别
摘要
在低磁场（<1T）下扫描的 MR 图像，由于信噪比（SNR）相对小于高场（通常为 1.5T 和 3T）图像，在切片方向上分辨率较低且对比度较低。我们采用近期的图像质量迁移（IQT）思想来增强极低场结构图像，旨在估计高场图像的分辨率、空间覆盖范围和对比度。与许多基于学习的图像增强技术类似，IQT 通过预定义的抽取模型模拟低场图像，仅由高场扫描生成训练数据。然而，实践中真实的抽取模型并不明确，且缺乏其设定会使训练模型产生偏差，恶化在真实低场扫描上的性能。本文提出一种概率抽取模拟器以提升模型训练的鲁棒性。它用于生成并增广多种低场图像，其参数为随机变量并从与 0.36T 扫描仪上组织特异性 SNR 相关的经验分布中采样。该概率抽取模拟器与模型无关，即它可用于任何超分辨率网络。此外，我们提出一种 U-Net 架构的变体以提升其学习性能。我们从临床低场图像上展示了有前景的定性结果，证实了 IQT 在一个重要新应用领域的强有效性：撒哈拉以南非洲通常仅有低场扫描仪可用的癫痫诊断。
引用
@article{arxiv.1909.06763,
title = {Deep Learning for Low-Field to High-Field MR: Image Quality Transfer with Probabilistic Decimation Simulator},
author = {Hongxiang Lin and Matteo Figini and Ryutaro Tanno and Stefano B. Blumberg and Enrico Kaden and Godwin Ogbole and Biobele J. Brown and Felice D'Arco and David W. Carmichael and Ikeoluwa Lagunju and Helen J. Cross and Delmiro Fernandez-Reyes and Daniel C. Alexander},
journal= {arXiv preprint arXiv:1909.06763},
year = {2019}
}