基于通道分裂与串行融合网络的单张 MR 图像超分辨率
计算机视觉与模式识别
2019-01-23 v1
摘要
空间分辨率是磁共振成像中的一项关键成像参数。获取高分辨率 MRI 数据通常需要较长的扫描时间，并且由于硬件、物理和生理上的限制而易受运动伪影的影响。单图像超分辨率，尤其是基于深度学习技术的 SISR，是改善当前磁共振 (MR) 图像空间分辨率的一种有效且有前景的替代技术。然而，越深的网络越难以被有效训练，因为随着网络加深，信息会逐渐减弱。由于训练样本的退化，这一问题在医学图像中变得更加严重。在本文中，我们提出了一种用于单张 MR 图像超分辨率的新型通道分裂与串行融合网络 (CSSFN)。具体而言，所提出的 CSSFN 网络将分层特征分裂为一系列子特征，随后以串行方式将它们整合在一起。因此，网络变得更深，并且能够有区别地处理不同通道上的子特征。此外，采用密集全局特征融合 (DGFF) 来整合中间特征，这进一步促进了网络中的信息流动。在几幅典型 MR 图像上的大量实验表明，我们的 CSSFN 模型优于其他先进的 SISR 方法。
引用
@article{arxiv.1901.06484,
title = {Single MR Image Super-Resolution via Channel Splitting and Serial Fusion Network},
author = {Zhao Xiaole and Huali Zhang and Hangfei Liu and Yun Qin and Tao Zhang and Xueming Zou},
journal= {arXiv preprint arXiv:1901.06484},
year = {2019}
}
备注
12 pages, 12 figures, 6 tables