探索用于多对比度 MR 图像超分辨率的可分离注意力

在对应辅助对比度的引导下对目标对比度的磁共振（MR）图像进行超分辨率重建，可提供额外的解剖信息，是一种快速 MR 成像的新且有效的方案。然而，当前的多对比度超分辨率（SR）方法倾向于直接拼接不同对比度，忽略了它们在诸如高强度与低强度区域等不同线索上的关系。本研究中，我们提出一种可分离注意力网络（包含高强度优先注意力和低强度分离注意力），命名为 SANet。我们的 SANet 可借助辅助对比度在“正向”与“反向”方向上探索高强度与低强度区域，同时为目标的对比度 MR 图像 SR 学习更清晰的解剖结构与边缘信息。SANet 具有三个显著优势：（1）它是首个探索可分离注意力机制的模型，该机制利用辅助对比度预测高强度与低强度区域，将更多注意力转向细化这些区域间的不确定细节并修正重建结果中的精细区域。（2）提出了一个多阶段融合模块，以在多阶段学习多对比度融合的响应，获取融合表示之间的依赖关系，并提升其表示能力。（3）在 fastMRI 与临床 \textit{in vivo} 数据集上，与多种 SOTA 多对比度 SR 方法的广泛实验证明了我们模型的优越性。