基于分割引导的超低场 MRI 增强
计算机视觉与模式识别
2026-05-28 v1 医学物理
摘要
超低场 (ULF) MRI 提供了便携和低成本的成像技术，但图像质量较差。为解决此问题，我们提交了 2025 年 ULF 增强挑战 (ULF-EnC) 的方案，该挑战的目标是从 64 mT 检查合成出类似高场 MRI 的图像。我们的管道通过解剖条件化和模型集成相结合来增强 ULF MRI。我们首先使用在挑战提供的数据上仅训练的 Swin UNETR 生成组织分割先验。这些先验条件化两个独立的增强网络——一个 CycleGAN 和一个基于转换器的残差增强模型 (T-REX)，每个模型都旨在合成 3 T 类似的 MRI 图像。两个模型的输出通过加权平均合并。我们的方法在定量和定性上都产生了与高场扫描相当的增强 MRI。
引用
@article{arxiv.2605.28016,
title = {Enhancing Ultra-low-field MRI with Segmentation-guided Adversarial Learning},
author = {James Grover and Andrew Phair and Michael Ferraro and David E. J. Waddington},
journal= {arXiv preprint arXiv:2605.28016},
year = {2026}
}