CVPRMay, 2017

使用弱监督联合卷积稀疏编码进行三维医学图像的同时超分辨率和跨模态合成

PDF
TL;DR该论文提出了一种利用少量已注册的多模态图像对进行弱监督联合稀疏编码，从低分辨率单模态图像中生成高分辨率多模态图像的方法，并通过最大均值偏差项结合未配对数据来提高联合字典的学习质量，本文实验证明，该方法在超分辨率重建和同时进行超分辨率和跨模态综合方面优于现有技术。
magnetic resonance imagingmultimodal imagessuper-resolutionjoint convolutional sparse codingmaximum mean discrepancy term
发现论文，激发创造
  • 联合自监督和有监督对比学习用于多模态 MRI 数据：走向预测异常神经发育

    利用多模态成像、深度学习和对比学习方法，从多模态 MRI 数据中学习鲁棒的潜在特征表示，将异构特征投影到共享空间，整合不同模态和类似主体间的互补和类似信息，进而提高了异常神经发育的预测能力和计算机辅助诊断的功效。

    Dec, 2023

  • 自监督对比学习中的非配对 MRI 超分辨率

    本研究提出了一种基于自监督对比学习的非配对 MRI 超分辨率方法，利用有限的训练数据提高超分辨率性能，结果显示即使在仅有有限数量的 HR 图像的情况下，峰值信噪比和结构相似性指数都得到了显著提高，强调了该方法在解决有限训练数据挑战上的潜力，以推进临床应用中的高分辨率 MRI。

    Oct, 2023

  • Uni-COAL：一种用于跨模态合成和超分辨率的磁共振图像统一框架

    通过提出统一的共模调制无混叠网络 (Uni-COAL) ，该论文研究了 MRI 图像的不同模态综合、超分辨率和综合任务，并利用 Shannon-Nyquist 信号处理框架实现无混叠的综合，以及利用 Segment Anything Model (SAM) 的语义先验来指导合成过程，取得了在多个数据集上优于其他方法的综合结果，提高了模型在广泛应用领域中的泛化性。

    Nov, 2023

  • 学习自我监督跨模态互相调制的超分辨率

    本篇研究提出一种相互调制超分辨率模型（MMSR），其中使用自适应滤波器来充分利用交叉模态空间相关性，通过对源模态进行像导模态的分辨率模拟和对导模态进行源模态特征仿真，实现在完全自监督的情况下进行跨模态交叉超分辨率的训练，各项实验结果均表明 MMSR 具有最先进的性能。

    Jul, 2022

  • 多对比度 MRI 的双任意尺度超分辨率

    本文提出了一种基于隐式神经表示的双任意多对比度 MRI 超分辨率方法 (Dual-ArbNet)，该方法可以无限制地使用任意缩放的目标和参考图像进行图像重建，并通过课程学习策略提高了该方法在两个 MRI 数据集上的性能。

    Jul, 2023

  • 医学图像和报告之间的无监督多模态表示学习

    该研究旨在探索多模态联合嵌入并生成医学影像模态和相关放射学报告，并通过受监督和无监督学习的方式，实现在文档检索任务中的表现，发现只需有限的监督即可获得与完全监督方法类似的结果。

    Nov, 2018

  • 缺失模态插值的统一多模态图像合成

    该论文提出了一种新的统一的多模式图像综合方法，包括通过生成敌对网络从任意可用模式的组合中合成丢失的模态，并使用共性和差异敏感编码器及动态特征统一模块来提高图像合成质量和适应性，实验结果表明该方法在处理多种综合任务时具有优越的性能。

    Apr, 2023

  • 基于稀疏图注意力机制的卷积神经网络 MRI 超分辨率

    提出利用多个卷积算子特征提取模块的 A 网络，通过多次跨特征提取模块的交互来突出关键特征，并使用基于注意力的稀疏图神经网络模块建立像素特征之间的关系，以弥补卷积神经网络模型表达能力有限的缺陷，在医学图像分辨率提高方面获得了显著的改进。

    May, 2023

  • 稀疏重建脑 MRI 的双域交叉迭代压缩激励网络

    本文使用双重收缩 - 激活网络和跨迭代残差连接，迭代融合 k 空间和 MRI 图像信息，实现 MRI 的稀疏重建，结果表明该方法的重建误差率平均仅为 2.28％，表现优于现有的图像域预测、k 空间合成和双域特征融合方法。

    Oct, 2022

  • 通过渐进网络实现多对比度超分辨率磁共振成像

    本文提出了一种用于 MRI 多对比度超分辨率图像的神经网络方法，实验结果表明该网络可以产生高质量的超分辨率图像，在图像质量和结构相似度方面优于其他多对比度超分辨率方法，而且渐进网络即使在原始低分辨率图像高度下采样时，也比非渐进网络更能产生更好的 SR 图像质量。

    Aug, 2019