面向区域自适应 MRI 超分辨率的 MoE-引导扩散模型 MoEDiff-SR
图像与视频处理
2025-04-11 v1 计算机视觉与模式识别
摘要
磁共挒成像（MRI）在较低场强（如 3T）时受限于空间分辨率，难以捕获临床诊断和神经成像研究所必需的细微解剖细节。为克服这一限制，我们提出了 MoEDiff-SR，一款基于混合专家（MoE）引导的扩散模型，用于区域自适应 MRI 超分辨率（SR）。不同于传统扩散-based SR 模型在整个图像上应用统一去噪过程，MoEDiff-SR 在细粒度 token 级别动态选择专门的去噪专家，确保区域特定的适应性并提升 SR 性能。具体而言，我们首先采用基于 Transformer 的特征提取器计算多尺度 patch 嵌入，捕获全局结构信息和局部纹理细节。提取的特征嵌入随后输入 MoE 门控网络，后者将动态分配权重给多个 specializing 在不同脑部 MRI 特征的扩散-based 去噪器，包括脑半球、皮质裂隆和灰-白质界限。最终输出通过根据动态分配的门控概率对各专家去噪结果进行加权聚合获得。实验结果表明，MoEDiff-SR 在定量图像质量指标、感知保真度和计算效率方面均优于现有最先进方法。各专家的差异图进一步凸显了其独特的专长，确认了有效的区域特定去噪能力及专家贡献的可解释性。此外，临床评估验证了其在识别亚临床病灶方面的优势，突显了其在临床神经成像中的实际价值。我们的代码已公开于 https://github.com/ZWang78/MoEDiff-SR。
引用
@article{arxiv.2504.07308,
title = {MoEDiff-SR: Mixture of Experts-Guided Diffusion Model for Region-Adaptive MRI Super-Resolution},
author = {Zhe Wang and Yuhua Ru and Aladine Chetouani and Fang Chen and Fabian Bauer and Liping Zhang and Didier Hans and Rachid Jennane and Mohamed Jarraya and Yung Hsin Chen},
journal= {arXiv preprint arXiv:2504.07308},
year = {2025}
}