Jul, 2023

多对比度 MRI 的双任意尺度超分辨率

PDF
TL;DR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。
magnetic resonance imagingsuper-resolution reconstructionmulti-contrast mr imagesimplicit neural representationscurriculum learning
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

  • 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

  • 一种自监督任意尺度各向异性 MRI 超分辨率框架

    该论文提出了一种高效的自监督任意尺度超分辨率方法来重建等体磁共振图像，并在医学脑部图像收集方面具有实际意义。

    May, 2023

  • 自监督对比学习中的非配对 MRI 超分辨率

    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

  • 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

  • 学习双层可变形隐式表示在实际尺度任意超分辨率中的应用

    基于隐式图像函数增益的任意尺度超分辨率基于实际图像的普及度增加，因为它可以更好地连续表示视觉世界。然而，现有的任意尺度作品是在模拟数据集上进行训练和评估的，其中低分辨率图像是通过最简单的双三次降采样从其实际值生成的。由于实际世界退化的复杂性更大，这些模型对实际世界场景的泛化能力有限。为了解决这个问题，我们建立了一个新的实际世界超分辨率基准数据集 RealArbiSR，它具有整数和非整数的缩放因子，以训练和评估实际世界的任意尺度超分辨率。此外，我们提出了一种双层可变形隐式表示（DDIR）来解决实际世界尺度任意超分辨率问题。具体来说，我们设计了外观嵌入和变形场来处理由于实际世界退化引起的图像级和像素级变形。外观嵌入对低分辨率输入的特征进行建模，以处理不同尺度上的光度变化，而基于像素的变形场学习了由真实世界和模拟退化在任意坐标处的差异导致的 RGB 差异。大量实验表明，我们训练的模型在 RealArbiSR 和 RealSR 基准上实现了最先进的性能，用于实际世界的任意尺度超分辨率。我们的数据集以及源代码将会公开提供。

    Mar, 2024

  • 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

  • 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

  • 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

  • 单个网络学习任意尺度的超分辨率

    本文提出了一种基于不同比例尺下特征适应块和上采样层的单幅图像超分辨率网络的方法，并利用特定比例尺下的网络知识，提出了一种比例尺 - aware 知识转移方法。结果表明，该方法可以在保持整数比例尺下的图像超分辨率性能的同时，在非整数和非对称跨度方面取得有前途的结果，而附加的计算和内存成本非常小。

    Apr, 2020