受迭代协作网络重建先验指导的医学图像超分辨率
图像与视频处理
2025-04-25 v1
摘要
高分辨率医学图像可提供更详细的信息以利于诊断。传统医学图像超分辨率依赖于单一任务，先进行特征提取，然后基于特征进行升采样。提取的特征可能不完整以致无法实现超分辨率。最近的多任务学习，包括重建和超分辨率，是获取额外相关信息的好方法。两个任务之间的相互作用往往不足，仍导致特征不完整且不够相关。为解决上述局限性，我们提出一种迭代协作网络（ICONet），通过在迭代协作方式中逐步将重建先验纳入超分辨率学习程序，以提高任务之间的通信。其包括重建分支、超分辨率分支以及SR-Rec融合模块。重建分支生成无伪影图像作为先验，随后由超分辨率分支进行先验知识导向的超分辨率。与用于提取局部特征的卷积神经网络，以及用于建模长程依赖关系的Transformer（计算复杂度为二次）不同，我们开发了两种分支的残差空间-通道特征学习（RSCFL）模块，以有效建立空间和通道维度之间的特征关系。此外，设计的SR-Rec融合模块以自适应方式融合重建先验和超分辨率特征。我们的ICONet采用多阶段模型进行迭代升采样低分辨率图像，使用2x步长，并在多阶段超级监督下在两个分支之间进行相互作用。
引用
@article{arxiv.2504.16958,
title = {Iterative Collaboration Network Guided By Reconstruction Prior for Medical Image Super-Resolution},
author = {Xiaoyan Kui and Zexin Ji and Beiji Zou and Yang Li and Yulan Dai and Liming Chen and Pierre Vera and Su Ruan},
journal= {arXiv preprint arXiv:2504.16958},
year = {2025}
}