May, 2023

基于稀疏图注意力机制的卷积神经网络 MRI 超分辨率

PDF
TL;DR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。
magnetic resonance imagingmedical image super-resolutiondeep learningconvolution operator feature extraction modulesattention-based sparse graph neural network module
发现论文，激发创造
  • 使用 3D 深度密集连接神经网络的脑部 MRI 超分辨率

    本文提出了一种新的神经网络体系结构（3D Densely Connected Super-Resolution Networks），用于从单张低分辨率 MRI 图像中恢复高分辨率的脑部结构特征，实验表明该网络在还原 4 倍分辨率缩减图像方面优于双三次插值和其他深度学习方法。

    Jan, 2018

  • 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

  • 遥感图像超分辨率的高级特征提取模块

    提出了一种名为 Channel and Spatial Attention Feature Extraction (CSA-FE) 的高级特征提取模块，通过使用通道和空间注意力结合标准视觉变换器 (ViT)，有效提取特征；在 UCMerced 数据集上进行了训练，实验证明我们的方法可以使模型专注于包含高频信息的特定通道和空间位置，从而提高超分辨率图像的质量，并且相较于现有模型，我们的模型表现出更优秀的性能。

    May, 2024

  • 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

  • 单幅图像超分辨率的混合残差注意力网络

    通过采用二值化特征融合（BFF）结构，提出了基于残差组（RG）的多尺度特征提取模块和通道注意力机制的混合残差注意网络（HRAN），能够显著提高图像超分辨率的性能。

    Jul, 2019

  • 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

  • 多对比度 MR 图像分离式注意力超分辨率探索

    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

  • 探究图像超分辨率中的稀疏性以实现高效推理

    本文中，我们提出了一种基于 CNN 的 Sparse Mask SR (SMSR) 网络，以学习稀疏掩模，以便在保持可比较性能的同时，准确地定位和跳过冗余计算，从而提高 SR 网络的推理效率。

    Jun, 2020

  • 基于多注意力的超轻量级图像超分辨率

    本文提出 MAFFSRN 方法，通过特征融合和多重注意机制提出了一种轻量级的图像超分辨率网络，实验表明该方法在内存占用、浮点运算次数和模型参数数量等方面表现优秀。

    Aug, 2020

  • 增强图像：核磁共振中使用人工智能进行超分辨率

    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