用于MRI超分辨率重建的模型引导多对比度深度展开网络
图像与视频处理
2022-09-16 v1 计算机视觉与模式识别
摘要
高分辨率（HR）的磁共振成像（MRI）为准确诊断和定量图像分析提供更详细信息。尽管取得显著进展，现有大多数医学图像超分辨率（SR）重建网络存在两个缺陷：1）均按黑盒原则设计，因而缺乏足够可解释性，进一步限制了其实际应用。可解释神经网络模型备受关注，因为它们增强了处理医学图像时临床实践所需的信任度。2）大多数现有SR重建方法仅使用单一对比度或采用简单的多对比度融合机制，忽视了不同对比度之间对SR提升至关重要的复杂关系。为解决这些问题，本文提出一种用于医学图像SR重建的新型模型引导可解释深度展开网络（MGDUN）。该模型引导的图像SR重建方法通过求解手动设计的目标函数来实现HR MRI重建。我们展示了如何在端到端优化中将迭代MGDUN算法展开为新型模型引导深度展开网络，同时考虑MRI观测矩阵和显式多对比度关系矩阵。在多对比度IXI数据集和BraTs 2019数据集上的大量实验证明了我们所提模型的优越性。
引用
@article{arxiv.2209.07030,
title = {Model-Guided Multi-Contrast Deep Unfolding Network for MRI Super-resolution Reconstruction},
author = {Gang Yang and Li Zhang and Man Zhou and Aiping Liu and Xun Chen and Zhiwei Xiong and Feng Wu},
journal= {arXiv preprint arXiv:2209.07030},
year = {2022}
}
备注
Accepted to ACMMM 2022, 9 pages