FDoSR-Net:用于任意规模3D全心MRI超分辨率的频域信息自编码网络
Corbin Maciel1, Qing Zou2,3,4
1Department of Biomedical Engineering, The University of Texas Southwestern Medical Center, Dallas, TX 75390, USA.
Bioengineering (Basel, Switzerland)
|February 26, 2025
概括
一个新的深度学习网络可以在任何尺度上增强3D全心MRI分辨率. 这种方法保留了精细的图像细节,优于现有的超分辨率技术,用于更清晰的心脏成像.
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:
- 三维 (3D) 全心 (WH) 磁共振成像 (MRI) 对于心脏评估至关重要.
- 当前的超分辨率 (SR) 方法往往难以保持3D WH MRI中的细节.
- 提高3D WH MRI的分辨率对于提高诊断准确性至关重要.
研究的目的:
- 开发一个3D超分辨率 (SR) 网络,用于任意规模的3D全心 (WH) MRI.
- 在超分辨率过程中保持精细的图像细节.
- 在图像质量和细节保存方面超越现有的SR算法.
主要方法:
- 使用3D自动编码框架与频域规范化进行训练.
- 训练网络对任意系数SR能力进行训练.
- 评估了使用120个3DWH MR卷与四个不同的序列获得的方法.
主要成果:
- 拟议的方法在所有定量指标上表现出卓越的表现:PSNR (平均改善4.5%),SSIM (平均改善2.2%),MSE (平均改善48.2%) 和RMSE (平均改善31.0%).
- 定性视觉比较证实了该方法在保存精细图像细节方面的有效性.
- 超越了最先进的深度学习方法 (ACNS,TFC) 和近邻插值.
结论:
- 开发的3D SR网络有效地执行3D WH MRI的任意尺度超分辨率.
- 该方法在保存精细的图像细节方面表现出色,超越了当前最先进的技术.
- 这一进步具有改善心脏MRI诊断的巨大潜力.
