DISGAN：小波信息判别器引导 GAN 实现带噪声清洗的 MRI 超分辨率

MRI 超分辨率（SR）与去噪任务是深度学习领域的基础挑战，传统上被视为具有独立配对训练数据的不同任务。本文中，我们提出一种创新方法，使用单一深度学习模型同时解决这两个任务，消除了训练期间显式配对噪声与干净图像的需求。我们提出的模型主要训练用于 SR，但在超分辨图像中也展现出显著的噪声清洗能力。与将频域相关操作引入生成过程的常规方法不同，我们的新颖方法涉及使用由频域信息判别器引导的 GAN 模型。为此，我们利用 3D 离散小波变换（DWT）操作作为 GAN 框架中磁共振成像（MRI）数据 SR 任务的频率约束。具体而言，我们的贡献包括：1）基于残差内残差连接块的 3D 生成器；2）将 3D DWT 与 $1\times 1$ 卷积集成到 3D Unet 中判别器的 DWT+conv 单元；3）将训练模型用于高质量图像 SR，并伴随内在去噪过程。由于其 SR 图像生成与同步去噪的双重效果，我们将该模型称为“去噪诱导超分辨率 GAN（DISGAN）”。不同于将 SR 与去噪任务作为独立模型训练的传统方法，我们提出的 DISGAN 仅在 SR 任务上训练，但也实现了卓越的去噪性能。该模型在来自 Human Connectome Project（HCP）数十名受试者的 3D MRI 数据上训练，并在来自脑肿瘤与癫痫受试者的先前未见 MRI 数据上进一步评估，以考察其去噪与 SR 性能。