基于集成学习与互补先验的 MRI 超分辨率
图像与视频处理
2020-02-20 v1 机器学习
医学物理
摘要
磁共振成像（MRI）是一种广泛使用的医学成像模态。然而，受限于硬件、扫描时间与通量，临床上常难以获取高质量 MR 图像。超分辨率方法有望在不升级任何硬件的情况下改善 MR 图像质量。本文中，我们提出一种用于 MR 图像超分辨率的集成学习与深度学习框架。在我们的研究中，首先使用 5 种常用超分辨率算法放大低分辨率图像，获得具有互补先验的差异放大图像数据集。随后，用每个数据集训练一个生成对抗网络（GAN）以生成超分辨率 MR 图像。最后，使用卷积神经网络进行集成学习，将各 GAN 的输出协同融合为最终的 MR 超分辨率图像。根据我们的结果，集成学习结果优于任一 GAN 输出。与一些最先进的基于深度学习的超分辨率方法相比，我们的方法在抑制伪影与保留更多图像细节方面具有优势。
引用
@article{arxiv.1907.03063,
title = {MRI Super-Resolution with Ensemble Learning and Complementary Priors},
author = {Qing Lyu and Hongming Shan and Ge Wang},
journal= {arXiv preprint arXiv:1907.03063},
year = {2020}
}