生成对抗网络用于4D Flow MRI超分辨率的潜力与挑战
摘要
4D Flow磁共振成像（4D Flow MRI）能够无创地量化血流和血流动力学参数。然而，其临床应用受限于低空间分辨率和噪声，特别是影响近壁速度测量。基于机器学习的超分辨率在解决这些局限性方面展现出了潜力，但挑战仍然存在，尤其是在恢复近壁速度方面。生成对抗网络（Generative Adversarial Networks, GANs）提供了一个引人注目的解决方案，已在非医学超分辨率任务中展现出恢复清晰边界的强大能力。然而，它们在4D Flow MRI中的应用仍未被探索，其实现受到训练不稳定性和非收敛等已知问题的挑战。在本研究中，我们研究了基于GAN的4D Flow MRI超分辨率。使用患者特定的脑血管计算机仿真模型进行训练和验证，这些模型通过MR-true重建流水线转换为合成图像。我们实现了一种专用的GAN架构，并在三种对抗损失函数上进行了评估：Vanilla、Relativistic和Wasserstein。我们的结果表明，与非对抗参考方法相比，所提出的GAN改善了近壁速度恢复（vNRMSE：6.9% vs. 9.6%）；然而，实现细节对于稳定的网络训练至关重要。虽然与仅生成器训练相比，Vanilla和Relativistic GANs被证明是不稳定的（vNRMSE：8.1%和7.8% vs. 7.2%），但Wasserstein GAN表现出最佳的稳定性和渐进的改进（vNRMSE：6.9% vs. 7.2%）。在低信噪比下，Wasserstein GAN进一步优于仅生成器基线（vNRMSE：8.7% vs. 10.7%）。这些发现突显了基于GAN的超分辨率在增强4D Flow MRI方面的潜力，特别是在具有挑战性的脑血管区域，同时强调需要仔细选择对抗策略。
关键词
引用
@article{arxiv.2508.14950,
title = {Potential and challenges of generative adversarial networks for super-resolution in 4D Flow MRI},
author = {Oliver Welin Odeback and Arivazhagan Geetha Balasubramanian and Jonas Schollenberger and Edward Ferdiand and Alistair A. Young and C. Alberto Figueroa and Susanne Schnell and Outi Tammisola and Ricardo Vinuesa and Tobias Granberg and Alexander Fyrdahl and David Marlevi},
journal= {arXiv preprint arXiv:2508.14950},
year = {2026}
}
备注
26 pages, 10 figures