基于局部隐式神经表示的多序列 MRI 转换
图像与视频处理
2023-09-12 v2
摘要
在放射学实践中，常规采集多序列 MRI 以表征解剖结构与组织。然而，由于成像协议的异质性以及对对比剂的禁忌，某些 MRI 序列（例如对比增强 T1 加权图像（T1ce））可能未被采集。这为聚合异质数据集的大规模临床研究带来了困难。现代深度学习技术已展现出通过从大规模多序列 MRI 数据集中学习来合成缺失序列的能力。本文中，我们提出了一种基于局部隐式神经表示的新型 MR 图像转换方案。我们将可用的 MRI 序列分割为局部块，并为每个块分配一个局部多层感知机（MLP），该 MLP 表示 T1ce 中的一个块。这些局部 MLP 的参数由基于图像特征的自网络（hypernetwork）生成。在 BraTS 挑战数据集上的实验结果和消融研究表明，局部 MLP 对于恢复精细图像与肿瘤细节至关重要，因为它们允许对准确图像转换极为重要的局部专门化。与经典的 pix2pix 模型相比，所提方法在视觉上有所改善，且定量指标显著提升（MSE 0.86 x 10^-3 对比 1.02 x 10^-3，SSIM 94.9 对比 94.3）。
引用
@article{arxiv.2302.01031,
title = {Local Implicit Neural Representations for Multi-Sequence MRI Translation},
author = {Yunjie Chen and Marius Staring and Jelmer M. Wolterink and Qian Tao},
journal= {arXiv preprint arXiv:2302.01031},
year = {2023}
}