用于磁共振图像超分辨率与运动伪影抑制的GPU及时间高效伪3D网络性能
图像与视频处理
2026-03-27 v5 计算机视觉与模式识别
医学物理
摘要
缩短采集时间并减少运动伪影是磁共振成像（MRI）中最关键的挑战。基于深度学习的图像复原已成为一种有前景的解决方案，能够从缩短采集时间获取的低分辨率图像或运动伪影污染的图像中生成高分辨率且无运动伪影的 MRI 图像。为促进临床集成，一个时间高效、GPU 高效且精度可靠的网络至关重要。本研究中，我们采用统一的 2D 深度学习框架进行伪 3D MRI 图像超分辨率重建（SRR）与运动伪影抑制（MAR）。确定了在 SRR 中优化采集时间的最佳下采样因子。MAR 的训练使用公开可用的体内数据，采用一种新颖的标准化方法以受控方式诱导不同严重程度的运动伪影。该网络的精度通过逐像素不确定性图评估，并与最先进的方法进行基准比较。结果表明，对于 x2 加速，下采样因子 1x1x2，对于 x4 加速，2x2x2 为最优。在 SRR 中，所提出的 TS-RCAN 优于 mDCSRN 和 ReCNN 的 3D 网络，SSIM 提升超过 0.01、PSNR 提升 1.5 dB，同时将 GPU 负载降低多达、推理时间减少多达 90%。对于 MAR，TS-RCAN 的 SSIM 超出 UNet 达 0.014、PSNR 超出 1.48 dB。此外，TS-RCAN 提供不确定性信息，可用于估计重建图像的质量。TS-RCAN 在临床环境中具有用于 SRR 和 MAR 的潜在用途。
引用
@article{arxiv.2111.14259,
title = {Performance of a GPU- and Time-Efficient Pseudo 3D Network for Magnetic Resonance Image Super-Resolution and Motion Artifact Reduction},
author = {Hao Li and Jianan Liu and Marianne Schell and Tao Huang and Arne Lauer and Katharina Schregel and Jessica Jesser and Dominik F Vollherbst and Martin Bendszus and Sabine Heiland and Tim Hilgenfeld},
journal= {arXiv preprint arXiv:2111.14259},
year = {2026}
}
备注
16 pages, 9 figures