面向各向异性 MRI 的自监督任意尺度超分辨率框架
图像与视频处理
2023-05-03 v1 计算机视觉与模式识别
摘要
在本文中，我们提出了一种高效的自监督任意尺度超分辨率（SR）框架，用于从各向异性 MRI 输入重建各向同性磁共振（MR）图像，且不涉及外部训练数据。所提框架使用具有任意图像分辨率的野外各向异性 MR 体数据构建训练数据集。我们随后将 3D 体数据 SR 任务表述为 2D 图像切片的 SR 问题。各向异性体的高分辨率（HR）平面被用于构建 HR-LR 图像对以进行模型训练。我们进一步适配隐式神经表示（INR）网络来实现 2D 任意尺度图像 SR 模型。最后，我们利用训练良好的所提模型将从各向异性 MR 体数据中提取的 2D LR 平面上采样至其 HR 视图。各向同性 MR 体数据由此可通过堆叠并平均生成的 HR 切片来重建。我们提出的框架有两个主要优势：（1）其仅涉及任意分辨率的各向异性 MR 体数据，这极大提升了模型在真实 MR 成像场景（如临床脑图像采集）中的实用性；（2）基于 INR 的 SR 模型支持从任意分辨率输入图像进行任意尺度图像 SR，显著提升了模型训练效率。我们在模拟的公开成人脑数据集和真实采集的 7T 脑数据集上进行了实验。结果表明，我们当前的框架大幅优于两种知名的自监督模型用于各向异性 MR 图像 SR 任务。
引用
@article{arxiv.2305.01360,
title = {Self-supervised arbitrary scale super-resolution framework for anisotropic MRI},
author = {Haonan Zhang and Yuhan Zhang and Qing Wu and Jiangjie Wu and Zhiming Zhen and Feng Shi and Jianmin Yuan and Hongjiang Wei and Chen Liu and Yuyao Zhang},
journal= {arXiv preprint arXiv:2305.01360},
year = {2023}
}
备注
10 pages, 5 figures