使用 3D 深度密集连接神经网络的脑部 MRI 超分辨率
本篇论文提出了一种新的 3D 神经网络设计 —— 多级密集连接超分辨率网络(mDCSRN)结构,并进行了 3D 超分辨率重建应用的实验,结果表明在恢复 4x 分辨率降低的图像上,我们的新型神经网络结构比其他流行的深度学习方法性能更好和速度更快,并且具有促进现实输出的能力。
Mar, 2018
本研究提出了利用通道分割网络(CSN)来缓解深度学习模型的表达负担,从而提高医学磁共振图像的空间分辨率。在各种磁共振图像(包括质子密度(PD)、T1 和 T2)上进行了广泛的实验,证明了所提出的 CSN 模型在单张图像超分辨率方面比其他最先进的方法具有更出色的性能。
Oct, 2018
该研究使用 Residual Dense Networks(RDN)架构并分析了其组件的重要性,通过利用原始低分辨率(LR)图像的分层特征,该架构实现了卓越的性能,具有四个主要块,包括作为核心的残留密集块(RDB),并通过使用各种损失指标的研究和分析评估了体系结构的有效性,将其与其他不同体系结构和组件的最先进模型进行比较。
Apr, 2023
该研究开发了一种新的残差 - 残差稠密块发生器 (RRDG) 来解决基于 GAN 的三维 SISR,并提出了一种改进收敛行为的 Patch GAN 鉴别器来更好地建模脑图像纹理,并提出了一种新颖的解剖学保真度评估方法,这些开发通过一种简单,高效的方法结合起来,以实现影像和质地质量之间的平衡。
Jul, 2019
本章提供了关于深度学习技术用于改善 MRI 空间分辨率的概述,包括卷积神经网络、生成对抗网络,以及更高级的模型,如 transformers、扩散模型和隐式神经表示。我们探索了超分辨图像对临床和神经科学评估的影响,并涵盖网络架构、图像评估指标、网络损失函数和训练数据细节等各种实际主题,包括模拟低分辨率图像的下采样方法和数据集选择。最后,我们讨论了深度学习 MRI 超分辨率的现有挑战和潜在未来发展方向,旨在促进其广泛应用于各种临床和神经科学应用。
Jun, 2024
利用潜在扩散模型 (latent diffusion model) 配合深度学习方法,提高临床 MRI 扫描的分辨率,为 MRI 重建提供有力的先验信息。
Aug, 2023
本研究提出了一种基于 TransMRSR 的创新性两阶段脑 MRI 超分辨率方法,具有良好的细节保留和结构重建性能,其中 GAN 是提高高分辨率图像生成质量的关键模块之一。
Jun, 2023
本文介绍提出的增强型深度超分辨网络(EDSR)和多尺度深度超分辨系统(MDSR),通过深度卷积神经网络(DCNN)和残差学习等技术,去除不必要的模块,并扩展模型大小和稳定的训练过程,实现比当前现有的超分辨率方法更高的性能和不同放大因子的高分辨率图像重构,表现卓越,赢得 NTIRE2017 超分辨挑战。
Jul, 2017
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
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