基于合成训练数据集的微 CT 图像辅助临床 CT 图像跨模态超分辨率

本文提出一种新颖的无监督超分辨率（SR）方法，用于将临床 CT 超分辨率至微 CT（$\mu$CT）的分辨率水平。肺癌的精确无创诊断通常利用临床 CT 数据。由于临床 CT 的分辨率限制（约 $0.5 \times 0.5 \times 0.5$ mm$^3$），难以获取足够的诸如肺泡级别侵犯区域等病理信息。另一方面，$\mu$CT 扫描能够以高得多的分辨率（$50 \times 50 \times 50 \mu {\rm m}^3$ 或更高）获取肺标本体积。因此，临床 CT 体积的超分辨率可能有助于肺癌诊断。典型的 SR 方法需要对齐的低分辨率（LR）与高分辨率（HR）图像对用于训练。不幸的是，获取人体肺组织的配对临床 CT 与 $\mu$CT 体积是不可行的。需要不需要配对 LR 与 HR 图像的无监督 SR 方法。在本文中，我们通过改进的 CycleGAN 由 $\mu$CT 图像模拟临床 CT 图像来创建相应的临床 CT-$\mu$CT 对。此后，我们利用模拟的临床 CT-$\mu$CT 图像对基于 SRGAN 训练一个 SR 网络。最后，我们使用训练好的 SR 网络对临床 CT 图像执行 SR。我们将所提方法与另一种名为 SR-CycleGAN 的用于临床 CT 图像的无监督 SR 方法进行比较。实验结果表明，所提方法能成功地对肺癌患者的临床 CT 图像以 $\mu$CT 级分辨率执行 SR，并在定量与定性上优于常规方法（SR-CycleGAN），将 SSIM（结构相似性）从 0.40 提升至 0.51。