SGSR:风格子网辅助的生成潜伏银行,用于使用注册医疗图像数据集的大因素超分辨率
Tong Zheng1, Hirohisa Oda2, Yuichiro Hayashi3
1Graduate School of Informatics, Nagoya University, Nagoya, Japan. tzheng@mori.m.is.nagoya-u.ac.jp.
International journal of computer assisted radiology and surgery
|December 21, 2023
概括
这项研究引入了一种新的超分辨率 (SR) 方法,SGSR,用于医疗图像. 在注册的低分辨率和高分辨率 (LR-HR) 图像数据集中,SGSR有效处理注册错误,提高诊断准确度.
科学领域:
- 医疗成像医学成像
- 人工智能的人工智能
- 计算机视觉 计算机视觉
背景情况:
- 由于不可避免的注册错误,传统的超分辨率 (SR) 方法在注册的医疗图像数据集中扎.
- 使用不准确的LR-HR对训练SR深卷积神经网络 (DCN) 会导致退化SR结果.
- 需要强大的SR方法,专门设计用于注册的医学成像数据.
研究的目的:
- 为注册医疗图像数据集开发一种新型的大因素超分辨率 (SR) 方法.
- 为应对普遍获得的医学成像数据中存在的注册错误的挑战.
- 提高用于临床应用的超分辨率医学图像的质量和可靠性.
主要方法:
- 为大因素SR提出了一种样式子网辅助的生成隐藏银行 (SGSR).
- 使用生成隐藏银行 (GLB),增强了样式子网 (S-GLB),以存储和利用图像先验.
- 引入了一种新的不确定性间损失,并纳入相邻的切片信息以进一步提高性能.
主要成果:
- 在SGSR的研究中,SGSR表现出优于最先进的 (SOTA) 监督的SR方法的性能.
- 实现了更高的重建精度,峰值信号噪声比 (PSNR) 从32.628增加到34.206dB.
- 定性和定量评估证实了该方法在多个数据集上的有效性.
结论:
- 在有注册错误的医疗图像数据集上,SGSR成功地执行了大因素SR.
- 生成的SR图像呈现出现实的纹理和精确的解剖结构.
- 该方法对SOTA技术的优越性得到了验证,具有提高手术前诊断和降低患者负担的潜力.
