ECLARE：用于各向异性分辨率提升的高效跨平面学习

在临床成像中，磁共振（MR）图像体积常以堆叠的2D切片形式获取，具有缩短扫描时间、改善信噪比以及2D MR脉冲序列特有的图像对比度等优势。虽然这种方法对于临床评估足够，但为3D分析设计的自动算法在多切片2D MR体积（尤其是切片较厚且切片之间存在间隙的体积）上表现不佳。分辨率提升（SR）方法旨在解决此问题，但以往方法未能同时解决以下所有问题：切片轮廓形状估计、切片间隙、域迁移以及非整数或任意上采样因子。本文提出了ECLARE（Efficient Cross-planar Learning for Anisotropic Resolution Enhancement），一种自我SR方法，旨在解决上述每个因素。ECLARE使用来自多切片2D MR体积估计的切片轮廓，训练网络以从同一体积中的低分辨率到高分辨率的平面内切片学习映射，并采用抗混叠技术进行SR。我们将ECLARE与三次B样条插值、SMORE以及其他当代SR方法进行了比较。我们使用真实且有代表性的模拟，以便可以计算对真实值的定量性能，ECLARE在信噪比恢复和下游任务中均优于所有其他方法。重要的是，由于ECLARE不使用外部训练数据，无法发生训练和测试之间的域迁移。我们的代码是开源的，地址为https://www.github.com/sremedios/eclare。