用于增强 MRI 重建的可逆锐化网络
图像与视频处理
2022-06-08 v1 计算机视觉与模式识别
机器学习
摘要
高质量的 MRI 重建在临床应用中起着关键作用。基于深度学习的方法在 MRI 重建上已取得令人鼓舞的结果。然而，大多数 SOTA 方法旨在优化常用于自然图像的评估指标，如 PSNR 和 SSIM，而并未主要追求视觉质量。与全采样图像相比，重建图像往往模糊，其中高频特征可能不够清晰，难以支撑可靠的临床诊断。为此，我们提出一种可逆锐化网络（InvSharpNet）以改善 MRI 重建的视觉质量。在训练期间，不同于传统方法学习将输入数据映射到真值，InvSharpNet 采用一种反向训练策略，学习从真值（全采样图像）到输入数据（模糊重建）的模糊变换。在推理时，所学习的模糊变换可利用网络的可逆性反转为锐化变换。在多个 MRI 数据集上的实验表明，InvSharpNet 能以少量伪影提升重建锐度。结果也由放射科医生评估，表明我们所提方法具有更好的视觉质量和诊断置信度。
引用
@article{arxiv.2206.02838,
title = {Invertible Sharpening Network for MRI Reconstruction Enhancement},
author = {Siyuan Dong and Eric Z. Chen and Lin Zhao and Xiao Chen and Yikang Liu and Terrence Chen and Shanhui Sun},
journal= {arXiv preprint arXiv:2206.02838},
year = {2022}
}
备注
Accepted by MICCAI 2022