用于薄层 MR 图像重建的两阶段自监督循环一致性网络
图像与视频处理
2021-06-30 v1 计算机视觉与模式识别
摘要
厚层磁共振（MR）图像在冠状面和矢状面上常存在结构模糊，不利于诊断与图像后处理。深度学习（DL）在从低分辨率（LR）病例重建高分辨率（HR）薄层 MR 图像方面展现出巨大潜力，本文中我们称之为切片插值任务。然而，由于通常难以获取大量成对的 LR-HR MR 图像，经典的完全监督 DL 模型无法被有效训练以获得鲁棒性能。为此，我们提出一种新颖的两阶段自监督循环一致性网络（TSCNet）用于 MR 切片插值，其中发展了用于无监督 DL 网络训练的两阶段自监督学习（SSL）策略。在第一阶段 SSL 中，沿输入 LR 图像的矢状与冠状方向合成成对 LR-HR 图像用于网络预训练；随后在第二阶段 SSL 中设计基于三连轴向切片的循环插值过程以进一步精炼。更多沿各方向具有丰富上下文的训练样本被用作引导，以保证改进的插值性能。此外，提出一种新的循环一致性约束来监督该循环过程，促使网络重建更真实的 HR 图像。在真实 MRI 数据集上的实验结果表明，TSCNet 优于传统及其他基于 SSL 的算法，并与完全监督算法取得具有竞争力的定性与定量结果。
引用
@article{arxiv.2106.15395,
title = {Two-Stage Self-Supervised Cycle-Consistency Network for Reconstruction of Thin-Slice MR Images},
author = {Zhiyang Lu and Zheng Li and Jun Wang and Jun shi and Dinggang Shen},
journal= {arXiv preprint arXiv:2106.15395},
year = {2021}
}