利用时空结构先验的深度 MR 脑图像超分辨率

高分辨率磁共振(MR)图像是精确诊断所需要的。实际上，图像分辨率受到硬件和处理限制等因素的制约。近来，深度学习方法已被证明能在图像增强/超分辨率方面产生引人注目的当前最优结果。特别关注所需高分辨率 MR 图像的结构，我们提出了一种新的正则化网络，该网络利用图像先验，即低秩结构和锐度先验，来增强深度 MR 图像超分辨率(SR)。我们的贡献在于以解析上易处理的方式将这些先验结合起来，以及提出一种新颖的先验引导网络架构来完成超分辨率任务。对于低秩先验而言这尤其具有挑战性，因为秩并非图像矩阵（进而网络参数）的可微函数，我们通过寻求秩的可微逼近来解决该问题。锐度由拉普拉斯算子的方差来强调，我们证明这可通过在网络输出处的一个固定反馈层来实现。作为一项关键扩展，我们通过学习一组新的由训练数据驱动的滤波器来修改固定反馈（拉普拉斯）层，这些滤波器针对增强锐度进行了优化。在公开可用的 MR 脑图像数据库上进行的实验以及针对现有最先进方法的比较表明，所提出的先验引导网络在改善 SNR/图像质量度量方面带来了显著的实用增益。由于我们的先验作用于输出图像，所提方法具有通用性，并可与多种现有网络架构结合以进一步提升其性能。