用于医学图像增强的反馈图注意力卷积网络
图像与视频处理
2021-04-15 v2 计算机视觉与模式识别
机器学习
摘要
伪影、模糊和噪声是在采集过程中降解 MRI 图像的常见失真，深度神经网络已被证明有助于改善图像质量。为充分利用全局结构信息和纹理细节，我们提出了一种新颖的 biomedical 图像增强网络，称为反馈图注意力卷积网络（FB-GACN）。作为一项关键创新，我们通过从图像子区域构建图网络来考虑图像的全局结构，将这些子区域视为节点特征，并根据其相似性进行非局部连接。所提模型由三个主要部分组成：1）并行图相似度分支和内容分支，其中图相似度分支旨在利用低分辨率特征空间中不同图像子区域间的相似性和对称性，并为内容分支提供额外先验以增强纹理细节。2）具有循环结构的反馈机制，通过处理反馈连接以高层信息精炼低层表示并生成强大的高层纹理细节。3）利用从图相似度分支获得的估计子区域关联先验进行重建，以去除伪影并恢复超分辨率图像。我们在两项图像增强任务上评估了我们的方法：i）扩散 MRI 的跨协议超分辨率；ii）FLAIR MR 图像的伪影去除。实验结果表明，所提算法优于最先进的方法。
引用
@article{arxiv.2006.13863,
title = {Feedback Graph Attention Convolutional Network for Medical Image Enhancement},
author = {Xiaobin Hu and Yanyang Yan and Wenqi Ren and Hongwei Li and Yu Zhao and Amirhossein Bayat and Bjoern Menze},
journal= {arXiv preprint arXiv:2006.13863},
year = {2021}
}
备注
The description of the experiments is not accurate and complete, and some details of equations and expressions should be corrected