无监督超分辨率：从低分辨率各向异性样例创建高分辨率医学图像
图像与视频处理
2020-10-27 v1 计算机视觉与模式识别
摘要
尽管临床实践中需要高分辨率各向同性3D医学图像，但其采集并非总是可行。相反，低分辨率图像使用常规插值方法被上采样到更高分辨率。基于学习的精细超分辨率方法在临床环境中往往不可用，因为此类方法需要使用高分辨率各向同性样例进行训练。为解决此问题，我们提出一种基于学习的超分辨率方法，可仅使用各向异性图像训练，即无需高分辨率真值数据。该方法利用在各向异性图像上训练的自编码器所生成的潜空间，来提升低分辨率图像中的空间分辨率。该方法使用来自自动化心脏诊断挑战（ACDC）的100个公开可用心脏电影MR扫描进行训练和评估。定量结果表明所提方法优于常规插值方法。此外，定性结果表明尤其更精细的心脏结构被高质量地合成。该方法有潜力应用于其他解剖结构和模态，并可轻松应用于任何3D各向异性医学图像数据集。
引用
@article{arxiv.2010.13172,
title = {Unsupervised Super-Resolution: Creating High-Resolution Medical Images from Low-Resolution Anisotropic Examples},
author = {Jörg Sander and Bob D. de Vos and Ivana Išgum},
journal= {arXiv preprint arXiv:2010.13172},
year = {2020}
}
备注
accepted at the SPIE Medical Imaging 2021 conference