RPLHR-CT数据集与用于CT扫描体超分辨率的Transformer基线
图像与视频处理
2022-12-13 v1 计算机视觉与模式识别
机器学习
摘要
在临床实践中，由于采集时间短且存储成本低，常使用具有低平面间分辨率的各向异性体医学图像。然而，粗糙的分辨率可能导致医师或计算机辅助诊断算法在医学诊断中面临困难。基于深度学习的体超分辨率（SR）方法是提升分辨率的可行途径，其核心为卷积神经网络（CNN）。尽管近期取得进展，这些方法受卷积算子固有特性限制，忽略内容相关性且无法有效建模长程依赖。此外，现有多数方法使用伪配对体进行训练与评估，其中伪低分辨率（LR）体由其高分辨率（HR）对应体简单退化生成。然而，伪LR体与真实LR体间的域差距导致这些方法在实践中性能不佳。本文构建了首个公开真实配对数据集RPLHR-CT作为体SR基准，并通过重新实现四种最先进基于CNN的方法提供基线结果。考虑到CNN的固有缺陷，我们还提出了一种基于注意力机制、完全摒弃卷积的Transformer体超分辨率网络（TVSRN）。这是首次使用纯Transformer进行CT体SR的研究。实验结果表明，TVSRN在PSNR和SSIM上均显著优于所有基线。此外，TVSRN方法在图像质量、参数量和运行时间之间实现了更好的权衡。数据与代码见https://github.com/smilenaxx/RPLHR-CT。
引用
@article{arxiv.2206.06253,
title = {RPLHR-CT Dataset and Transformer Baseline for Volumetric Super-Resolution from CT Scans},
author = {Pengxin Yu and Haoyue Zhang and Han Kang and Wen Tang and Corey W. Arnold and Rongguo Zhang},
journal= {arXiv preprint arXiv:2206.06253},
year = {2022}
}
备注
Accepted MICCAI 2022