用于多对比度 MRI 超分辨率与重建的深度展开卷积字典模型
图像与视频处理
2024-01-25 v2 计算机视觉与模式识别
摘要
磁共振成像（MRI）任务常涉及多对比度。近来，众多基于深度学习的多对比度 MRI 超分辨率（SR）与重建方法被提出以挖掘多对比度图像的互补信息。然而，这些方法或构建参数共享网络，或手动设计融合规则，未能准确建模多对比度图像间的相关性且缺乏一定可解释性。本文中，我们在优化算法指导下以精心设计的数据保真项提出多对比度卷积字典（MC-CDic）模型。具体而言，我们为多对比度 MR 图像建立观测模型，将多对比度图像显式建模为公共特征与独有特征。如此，参考图像中仅有用信息被传递至目标图像，而不一致信息将被忽略。我们采用近端梯度算法优化模型，并将迭代步骤展开为深度 CDic 模型。特别地，近端算子由可学习的 ResNet 替代。此外，引入多尺度字典以进一步提升模型性能。我们在多对比度 MRI SR 与重建任务上测试 MC-CDic 模型。实验结果表明所提 MC-CDic 模型相较现有 SOTA 方法性能更优。代码见 https://github.com/lpcccc-cv/MC-CDic。
引用
@article{arxiv.2309.01171,
title = {Deep Unfolding Convolutional Dictionary Model for Multi-Contrast MRI Super-resolution and Reconstruction},
author = {Pengcheng Lei and Faming Fang and Guixu Zhang and Ming Xu},
journal= {arXiv preprint arXiv:2309.01171},
year = {2024}
}