SOUP-GAN：基于生成对抗网络的磁共振成像超分辨率
图像与视频处理
2021-06-07 v1 计算机视觉与模式识别
摘要
在临床和研究应用中，对高分辨率（HR）医学图像的需求日益增长。为了提升患者舒适度、降低检查成本与剂量并减少运动伪影，图像质量不可避免地要与采集时间进行权衡。对于许多基于图像的任务，增加垂直平面的表观分辨率以生成多平面重组或3D图像是常用手段。单图像超分辨率（SR）是一种基于无监督学习提供HR图像、提升2D图像分辨率的有前景技术，但关于3D SR的报道甚少。此外，文献中提出了感知损失，通过对比预训练2D网络（如VGG）高维特征空间中的语义距离，比逐像素损失函数更好地捕捉纹理细节与边缘。然而，如何将其推广到3D医学图像仍不明确，相关影响亦不清楚。本文提出一种称为SOUP-GAN的框架：基于感知调优生成对抗网络（GAN）的超分辨率优化，以生成更薄层厚（如'Z'平面高分辨率）、抗混叠与去模糊的医学图像。所提方法在定性与定量比较上均优于其他传统分辨率增强方法及既往医学图像SR工作。具体而言，我们考察了模型针对不同SR倍数与成像模态的泛化能力。通过解决上述局限，我们的模型有望成为一种新颖的3D SR插值技术，在临床与研究环境中具有潜在应用价值。
引用
@article{arxiv.2106.02599,
title = {SOUP-GAN: Super-Resolution MRI Using Generative Adversarial Networks},
author = {Kuan Zhang and Haoji Hu and Kenneth Philbrick and Gian Marco Conte and Joseph D. Sobek and Pouria Rouzrokh and Bradley J. Erickson},
journal= {arXiv preprint arXiv:2106.02599},
year = {2021}
}
备注
10 pages, 11 figures