广义超分辨率 4D Flow MRI $\unicode{x2013}$ 使用集成学习拓展至心血管系统

4D Flow 磁共振成像（4D Flow MRI）是一种能够量化心血管系统血流的非侵入式测量技术。尽管实际应用受限于空间分辨率与图像噪声，引入训练好的超分辨率（SR）网络有望在扫描后提升图像质量。然而，这些工作主要局限于狭义定义的心血管领域，对于 SR 性能如何拓展至整个心血管系统的探索有限；而心血管系统各处明显的血流动力学条件对比使该任务更为困难。我们研究的目的是探索使用异构训练集与专用集成学习相结合的 SR 4D Flow MRI 的泛化能力。通过在三个不同领域（心脏、主动脉、脑血管）生成合成训练数据，评估了不同卷积基与集成学习器作为领域与架构函数的表现，并在来自相同三个领域的仿真与采集体内数据上量化性能。结果表明，装袋（bagging）与堆叠（stacking）集成均增强了跨领域 SR 性能，在仿真中从低分辨率输入数据准确预测高分辨率速度。同样，优化后的网络能成功从降采样的体内数据恢复原生分辨率速度，并展现出从临床级输入数据生成去噪 SR 图像的定性潜力。总之，我们的工作提出了一种可行的广义 SR 4D Flow MRI 方法，集成学习拓展了其在多个临床关注领域的实用性。