Jul, 2023

多对比度 MRI 超分辨率的复合注意力和邻居匹配网络

PDF
TL;DR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。
multi-contrast mrisuper-resolutioncanm-netcompound-attentionneighbor matching
发现论文，激发创造
  • 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 的多尺度上下文匹配和聚合技术，用于多对比度 MRI 超分辨率

    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

  • 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

  • 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

  • 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

  • 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

  • 基于可训练特征匹配注意力网络的单张图像超分辨率

    通过集成可学习的特征匹配和非局部特征学习方法，在超分辨率图像恢复中改善了卷积神经网络的表达能力，进一步提高了性能。

    May, 2024

  • Uni-COAL：一种用于跨模态合成和超分辨率的磁共振图像统一框架

    通过提出统一的共模调制无混叠网络 (Uni-COAL) ，该论文研究了 MRI 图像的不同模态综合、超分辨率和综合任务，并利用 Shannon-Nyquist 信号处理框架实现无混叠的综合，以及利用 Segment Anything Model (SAM) 的语义先验来指导合成过程，取得了在多个数据集上优于其他方法的综合结果，提高了模型在广泛应用领域中的泛化性。

    Nov, 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