基于嵌套 U-Net 架构的合成低场 MRI 超分辨率重建
图像与视频处理
2022-11-29 v1 计算机视觉与模式识别
摘要
低场 (LF) MRI 扫描仪通过提供一种便携且更便宜的高场 MRI 扫描仪替代方案，有潜力彻底改变医学成像。然而，此类扫描仪通常比其高场同类产品噪声显著更大且质量更低。本文旨在提高低场 MRI 扫描的信噪比 (SNR) 和整体图像质量，以提升诊断能力。为解决此问题，我们提出了一种嵌套 U-Net 神经网络架构超分辨率算法，其平均 PSNR 达到 78.83，SSIM 达到 0.9551，优于先前提出的深度学习方法。我们在来自一个名为 T1-mix 数据集的主要 T1 加权 MRI 图像数据集的人工加噪降采样合成数据上测试了我们的网络。一位委员会认证的放射科医生使用李克特量表 (1-5) 对 25 张图像进行评分，评估我们架构与其他已发表工作 (SR DenseNet、Generator Block、SRCNN 等) 的整体图像质量、解剖结构和诊断置信度。我们还引入了一种称为自然对数均方误差 (NLMSE) 的新型损失函数。总之，我们提出了一种通过嵌套 U-Net 架构应用于合成低场 MRI 的、更准确的单图像超分辨率深度学习方法。
引用
@article{arxiv.2211.15047,
title = {Synthetic Low-Field MRI Super-Resolution Via Nested U-Net Architecture},
author = {Aryan Kalluvila and Neha Koonjoo and Danyal Bhutto and Marcio Rockenbach and Matthew S. Rosen},
journal= {arXiv preprint arXiv:2211.15047},
year = {2022}
}