基于残差平移的高效扩散概率模型用于 MRI 超分辨率重建
计算机视觉与模式识别
2026-01-16 v2 医学物理
摘要
目标：本研究引入残差误差平移机制，大幅减少采样步骤，同时保持关键解剖细节，从而加速 MRI 重建。方法：我们提出一种名为 Res-SRDiff 的新型基于扩散的超分辨率框架，将残差误差平移集成到正向扩散过程中。通过对齐退化的高分辨率和低分辨率分布，实现高效的高分辨率图像重建。我们在超高场脑部 T1 MP2RAGE 图和 T2 加权前列腺图像上评估了 Res-SRDiff，并与 Bicubic、Pix2pix、CycleGAN 以及采用视觉转换器背板的传统去噪扩散概率模型（TM-DDPM）进行比较，使用 PSNR、SSIM、梯度大小相似性偏差（GMSD）和学习感知图像补丁相似性（LPIPS）等定量指标。主要结果：Res-SRDiff 在两个数据集中在 PSNR、SSIM 和 GMSD 上均显著优于所有比较方法，统计显著性 p 值小于 0.05。该模型仅需四个采样步骤即可实现高保真图像恢复，将计算时间大幅降低至每个切片不到一秒，远快于传统 TM-DDPM 约 20 秒/切片。定性分析进一步表明，Res-SRDiff 有效保留了脑部和骨盆 MRI 图像中的细微解剖细节和病灶形态。意义：我们的发现表明，Res-SRDiff 是一种高效且准确的 MRI 超分辨率方法，显著提高了计算效率和图像质量。将残差误差平移集成到扩散过程中，可实现快速可靠的高分辨率图像重建，增强临床 MRI 工作流程，推动医学影像学研究。源码地址：https://github.com/mosaf/Res-SRDiff
引用
@article{arxiv.2503.01576,
title = {MRI super-resolution reconstruction using efficient diffusion probabilistic model with residual shifting},
author = {Mojtaba Safari and Shansong Wang and Zach Eidex and Qiang Li and Erik H. Middlebrooks and David S. Yu and Xiaofeng Yang},
journal= {arXiv preprint arXiv:2503.01576},
year = {2026}
}