MHAN:用于MRI重建和超分辨率的多阶段混合注意网络
Wanliang Wang1, Haoxin Shen1, Jiacheng Chen1
1College of Computer Science and Technology, Zhejiang University of Technology, Hangzhou, 310023, China.
Computers in biology and medicine
|June 23, 2023
概括
本研究介绍了多阶段混合注意网络 (MHAN),通过同时从低样本数据重建和增强图像分辨率来改进磁共振成像 (MRI). 在MR图像恢复任务中,MHAN实现了卓越的性能.
科学领域:
- 医疗成像医学成像
- 人工智能的人工智能
- 生物医学工程 生物医学工程
背景情况:
- 高质量的磁共振成像 (MRI) 对于准确的医学诊断至关重要.
- 在MRI中,一个关键的挑战是平衡图像采集速度和图像质量.
- 图像重建和超分辨率对于克服这种权衡至关重要.
研究的目的:
- 开发一个高效的模型,同时进行MR图像重建和超分辨率.
- 解决那些只关注重建或超分辨率的模型的局限性.
- 从低分辨率 (LR) 低采样测量中恢复高分辨率 (HR) 的MR图像.
主要方法:
- 提出了多阶段混合注意网络 (MHAN),一个高效的多任务模型.
- 整合了三个关键模块:放大空间注意力区块 (ASAB),数据一致性层自注意力区块 (DC-SAB) 和自适应局部残留注意力区块 (ALRAB).
- 使用编码器-解码器架构与管道用于深度上下文信息提取和空间精度.
主要成果:
- MHAN在从LR低样本数据中恢复HR MR图像方面表现得更好.
- 与T2Net相比,PSNR增加了2.759dB,SSIM增加了0.026dB,T2模式上的×2缩放因子和4×加速度因子为×2.
- 基于注意力的模块增强了空间和通道信息处理,以提高准确性.
结论:
- MHAN有效地执行多任务学习,用于MR图像恢复,结合重建和超分辨率.
- 拟议的网络架构和注意力机制在MR图像质量和采集效率方面取得了重大进展.
- 在不影响诊断图像质量的情况下,MHAN为加速MRI扫描提供了一个有前途的解决方案.
