深度过器银行回归用于超分辨率的异型核磁共振脑图像

科学领域:

• 医疗成像医学成像
• 信号处理 信号处理
• 机器学习 机器学习

背景情况:

• 2D多切片磁共振 (MR) 采集通常会导致通过平面的分辨率低于平面内分辨率.
• 目前的超分辨率 (SR) 技术通过数据驱动培训隐式估计高频信息,缺乏明确的缺失细节恢复.

研究的目的:

• 用完美的重建波器银行重新构建异构型MR数据的SR问题.
• 为了提高分辨率,明确识别和估计缺失的高频信息.

主要方法:

• 建议采用两阶段的方法:第一阶段通过梯度下降估计缺少的过器.
• 第二阶段使用深度网络来学习从粗细系数到细节系数的映射.
• 该方法近似完成了一个完美的重建过器银行用于异构型核磁共振扫描.

主要成果:

• 拟议的配方不需要外部培训数据,从而避免了域位调整的纠正.
• 超分辨率性能得到了增强,特别是在具有"切片间隙"的场景中.
• 框架所施加的有限的解决方案空间可能有助于提高SR性能.

结论:

• 基于新型过器银行的SR方法有效地解决了2D多切片MRI成像中的异构分辨率.
• 明确估计缺少的信息会带来更高的绩效,特别是在具有挑战性的采购场景中.
• 该方法提供了一个数据独立的解决方案,用于增强MR图像分辨率.