基于 Transformer 与 GAN 的医学图像超分辨率重建网络
图像与视频处理
2022-12-27 v1 计算机视觉与模式识别
摘要
由于在低场磁共振成像等场景中需以最小辐射剂量获取高质量图像，医学成像中的超分辨率重建（MRI）已变得愈发受到关注。然而，由于医学图像的复杂性与高保真要求，图像超分辨率重建仍是一项艰巨挑战。本文提出一种基于深度学习的策略，利用 Transformer 与生成对抗网络（T-GAN）从低分辨率重建医学图像。该集成系统在成功将 Transformer 插入生成对抗网络用于图像重建后，可通过全局图像匹配提取更精确的纹理信息并更聚焦于重要位置。此外，在我们所提模型 T-GAN 的训练过程中，我们将内容损失、对抗损失与对抗特征损失加权组合作为最终的多任务损失函数。相较于 PSNR 与 SSIM 等既定指标，我们提出的 T-GAN 在膝关节与腹部 MRI 扫描图像的超分辨率重建中取得了最优性能，并恢复了更多纹理特征。
引用
@article{arxiv.2212.13068,
title = {Transformer and GAN Based Super-Resolution Reconstruction Network for Medical Images},
author = {Weizhi Du and Harvery Tian},
journal= {arXiv preprint arXiv:2212.13068},
year = {2022}
}
备注
8 pages and 6 figures