通过无真实标签学习缩减磁共振图像层间距
图像与视频处理
2021-08-18 v2
摘要
高质量磁共振（MR）图像，即具有近各向同性体素间距的图像，在各种医学图像分析场景中备受青睐。然而，临床实践中许多 MR 采集使用较大的层间间距。本工作中，我们提出一种新颖的基于深度学习的超分辨率算法，从大层间距的低分辨率（LR）输入生成具有小层间距的高分辨率（HR）MR 图像。需注意，大多数现有基于深度学习的方法需要配对的 LR 与 HR 图像来监督训练，但在临床场景中通常无法获取 HR 图像。因此，我们此处的独特目标是在无真实 HR 标签的情况下设计与训练超分辨率网络。具体而言，我们的方法使用两个阶段训练。首先，使用变分自编码器（VAE）从真实 LR 图像合成缩减层间距的 HR 图像。尽管这些合成的 HR 图像尽可能真实，它们仍可能遭受 VAE 引起的非预期形变，意味着合成 HR 图像在解剖结构细节上无法与真实 LR 图像配对。在第二阶段，我们将合成 HR 图像退化以生成相应的 LR 图像，并基于这些合成 HR 与退化 LR 对训练超分辨率网络。其底层机制在于此类超分辨率网络较不易受解剖变异影响。在膝关节 MR 图像上的实验成功证明了我们提出的缩减层间距以改善渲染效果的解决方案的有效性。
引用
@article{arxiv.2003.12627,
title = {Reducing Magnetic Resonance Image Spacing by Learning Without Ground-Truth},
author = {Kai Xuan and Liping Si and Lichi Zhang and Zhong Xue and Yining Jiao and Weiwu Yao and Dinggang Shen and Dijia Wu and Qian Wang},
journal= {arXiv preprint arXiv:2003.12627},
year = {2021}
}