CVPRMar, 2022

基于 Transformer 的多尺度上下文匹配和聚合技术，用于多对比度 MRI 超分辨率

PDF
TL;DR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。
magnetic resonance imagingsuper-resolution reconstructionmulti-contrast featurestransformer-empowered multi-scale contextual matchingclinical practice
发现论文，激发创造
  • 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

  • 多对比度 MRI 超分辨率的复合注意力和邻居匹配网络

    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

  • 基于多阶段集成网络的多对比度 MRI 超分辨率重建

    本文提出了一种多阶段集成网络（MINet）用于多对比度 MRI SR，该网络能够显式地建模不同阶段的多对比度图像之间的依赖关系以引导图像 SR。实验证明，MINet 优于目前的多对比度 SR 方法，具有改善目标图像质量的能力。

    May, 2021

  • 基于 Transformer 的自蒸馏生成式先验用于脑 MRI 超分辨率

    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

  • 基于任务变换网络的 MRI 恢复与超分辨率联合重建

    本文提出了一种基于 T$^2$Net 的 MRI 重建和超分辨率的多任务联合学习框架，将重建和超分辨率分成两个子分支，通过任务转换器实现了两个任务的共享特征学习，实验结果表明该模型在定量和定性方面都显著优于先进的序列方法。

    Jun, 2021

  • 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

  • 基于模型引导的多对比度深层展开网络用于 MRI 超分辨率重构

    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

  • 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

  • 使用生成对抗网络和三维多级密集连接网络实现高效准确的 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

  • Meta-SR: 一个任意放大的网络用于超分辨率

    本文介绍一种利用 Meta-Upscale 模块的单一模型解决任意尺度图像超分辨率问题的方法，通过广泛的实验评估结果表明，该方法在性能上不错。

    Mar, 2019