基于多阶段集成网络的多对比度 MRI 超分辨率重建
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
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
通过辅助对比度引导对目标对比度的磁共振图像进行超分辨率处理,采用分离式注意力网络以提高对不同区域的关注度和边缘信息的学习,进而提高模型的图像重建性能,并通过实验验证其优越性。
Sep, 2021
本研究提出了一种用于多对比度 MRI 超分辨率的新型网络结构 CANM-Net,其采用复合自我注意机制和邻域匹配模块,在空间和通道维度捕捉特征依赖性,通过匹配退化特征和相邻参考特征来融合它们以获得高质量图像。实验表明,CANM-Net 在 IXI、fastMRI 和真实世界扫描数据集上均优于现有方法。
Jul, 2023
本文提出了一种新的模型引导的可解释深层展开网络 (MGDUN) 用于医学图像超分辨重建,该方法解决了现有超分辨率重建网络的黑匣子缺陷和单一对比度或简单多对比度融合机制的问题通过,通过手动设计的目标函数重建高分辨率 MRI,实验证明该方法在 IXI 数据集和 BraTs 2019 数据集上具有优越性。
Sep, 2022
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
提出一种名为 McMRSR 的新型网络,它使用 Transformer 技术建模具有复杂解剖结构的区域中的长程依赖关系,通过开发一组创新的 Transformer 技术,包括多尺度上下文匹配,多尺度聚合机制等技术,完善了多对比度 SR 重建方法。该方法经实验证明优于现有的方法,具有在临床中应用的巨大潜力。
Mar, 2022
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
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
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