基于隐式神经表示的单受试者多对比度MRI超分辨率
图像与视频处理
2024-01-08 v3 计算机视觉与模式识别
摘要
临床常规与回顾性队列通常包含多参数磁共振成像；然而，受信噪比与扫描时间限制，其大多以不同的各向异性2D视图采集。因此所采视图的平面外分辨率较差，并影响通常需要各向同性3D扫描的下游体积图像分析。将多对比度扫描的不同视图合成为高分辨率各向同性3D扫描具有挑战性，因为缺乏大型训练队列，这需要一种受试者特定的框架。本工作利用隐式神经表示（INR）针对该问题提出一种新方案。我们提出的INR在连续空间函数中联合学习互补视图的两种不同对比度，并受益于它们之间的解剖信息交换。我们的模型在单个商用GPU上数分钟内完成训练，在三个数据集的实验中为不同对比度对提供逼真的超分辨率。使用互信息（MI）作为度量，我们发现模型在序列间收敛至最优MI，实现解剖学忠实的重建。代码见：https://github.com/jqmcginnis/multi_contrast_inr/
引用
@article{arxiv.2303.15065,
title = {Single-subject Multi-contrast MRI Super-resolution via Implicit Neural Representations},
author = {Julian McGinnis and Suprosanna Shit and Hongwei Bran Li and Vasiliki Sideri-Lampretsa and Robert Graf and Maik Dannecker and Jiazhen Pan and Nil Stolt Ansó and Mark Mühlau and Jan S. Kirschke and Daniel Rueckert and Benedikt Wiestler},
journal= {arXiv preprint arXiv:2303.15065},
year = {2024}
}