使用 3D 生成对抗网络实现脑部 MRI 超分辨率
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
本文提出了 SRGAN 框架,通过引入对抗性损失和感知损失函数,成功应用 GAN 进行图像超分辨率,能够生成 4 倍放大因子下的自然真实图像。大量实验和 MOS 测试证明 SRGAN 在视觉效果上具有显著的优势。
Sep, 2016
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
该论文提出了一种基于生成对抗网络 (GAN) 的压缩感知磁共振成像(CS-MRI)重建方法,在保留高频内容和细节信息的同时,利用基于 Patch 的鉴别器和结构相似性指数损失来提高重建图像的质量。使用 Dense 和 Residual 连接的 U-net 生成器架构使得信息传输更容易且网络长度可变。实验证明,该算法在重建质量和抗噪效果方面优于现有技术且重建时间仅为毫秒级别,非常适合实时临床应用。
Oct, 2019
本文介绍了一种基于深度学习的生成式对抗模型,RefineGAN,用于快速准确的 CS-MRI 重建,并通过几个开源 MRI 数据库的评估证明其在运行时间和图像质量方面均优于现有的 CS-MRI 方法。
Sep, 2017
通过提出一种深度残差卷积生成对抗网络(SRResCGAN)来解决真实世界中图像修复过程缺失的问题,该网络通过对 HR 领域的像素级监督来对模型进行敌对训练,并利用残差学习和凸优化技术来最小化能量函数,我们的实验表明,该方法易于部署到其他下采样算子和移动 / 嵌入式设备上,并且能够更好地适应真实世界中的图像噪声问题。
May, 2020
该研究通过提出 ESRGAN,改进了 SRGAN 的网络架构、对抗损失和感知损失三个关键部分。ESRGAN 获得了 PIRM2018-SR 挑战的第一名,并取得了比 SRGAN 更好的视觉质量和更真实、更自然的纹理。
Sep, 2018
利用三维生成对抗网络(GANs)能够高效地生成高分辨率的医学体积,实现模型可解释性和应用,包括图像变形、属性编辑和样式混合,并在三维 HR-pQCT 示例数据库上进行了广泛验证。
Oct, 2023