Oct, 2023

自监督对比学习中的非配对 MRI 超分辨率

PDF
TL;DR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。
high-resolution magnetic resonance imagingdeep learning-based image super-resolutionself-supervised contrastive learningpeak signal-to-noise ratiostructural similarity index
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

  • 使用伪监督的无配对图像超分辨率

    本文提出了一种基于生成式对抗网络的无配对图像超分辨率方法，使用一个不需要配对 / 对齐的训练数据集的 unpaired kernel/noise correction 网络和一个伪成对 SR 网络来进行无配对 SR，该方法不仅能够准确去噪并调整 LR 图像的内核，而且还能够生成精确的 HR 图像。

    Feb, 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

  • 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

  • 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

  • 磁共振图像的切片间超分辨率：预训练和自监督微调

    提出了一种自监督超分辨率 MR 图像的方法，通过预训练和微调模型，实现高质量的图像重建，可应用于临床医学领域。

    Jun, 2024

  • 无需清洗基准图像的超分辨率技术：应用于电子显微镜

    通过深度学习的图像超分辨率方法，我们可以对大脑组织中的噪声低分辨率电子显微图像进行重建，以获得清晰的高分辨率三维电子显微图像，为神经科学研究提供了新的可能性。

    Jan, 2024

  • 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

  • 使用一张真实图像的迭代式超分辨率生物医学成像

    本研究提出了一种有效训练基于深度学习的超分辨率模型的方法，通过利用自动生成的高分辨率图像，仅使用一个真实图像进行训练。这种方法可自主筛选图像，从而逐步生成优化的训练数据集，提高模型的性能和可视化效果，同时维护原始生物医学图像的特性，以无须真实世界人类数据的方式训练深度神经网络。

    Jun, 2023

  • InverseSR：使用潜在扩散模型进行脑部 MRI 超分辨率

    利用潜在扩散模型 (latent diffusion model) 配合深度学习方法，提高临床 MRI 扫描的分辨率，为 MRI 重建提供有力的先验信息。

    Aug, 2023