基于电视的深度3D自动超分辨率为FMRI
Fernando Pérez-Bueno1, Hongwei B Li2, Matthew S Rosen2
1Basque Center on Cognition, Brain, and Language (BCBL), Spain.
Proceedings. IEEE International Symposium on Biomedical Imaging
|August 25, 2025
概括
这项研究引入了一种新的自我监督深度学习方法,以提高功能磁共振成像 (fMRI) 的分辨率,而不需要地面真相数据. 通过克服fMRI扫描的空间局限性,
科学领域:
- 神经成像
- 人工智能
- 医学成像分析
背景情况:
- 功能磁共振成像 (fMRI) 提供了对认知过程的洞察力,但具有空间分辨率限制.
- 目前用于fMRI的深度学习 (DL) 超分辨率 (SR) 方法通常需要地面真相 (GT) 高分辨率 (HR) 数据,这是很难获得的.
- 现有的SR技术在提高fMRI分辨率方面面临限制,原因是数据采集的限制以及时间分辨率,空间分辨率,信号噪声比和扫描时间之间的权衡.
研究的目的:
- 开发一种新的自我监督的DLSR模型以提高fMRI分辨率.
- 在基于DL的fMRI中克服对GTHR数据的依赖.
- 通过增加fMRI空间分辨率来改善大脑功能架构的细粒度分析.
主要方法:
- 引入了一种自我监督的DLSR模型,将DL网络与分析方法结合起来.
- 在SR模型中纳入总变化 (TV) 正规化.
- 在培训过程中消除了对外部GT HR图像的需求.
主要成果:
- 与监督DL技术相比,提出的自主监督DLSR模型实现了竞争性性能.
- 该方法从低分辨率图像中成功生成了高分辨率 (HR) 的fMRI图像.
- 在超分辨率过程中保留了功能地图.
结论:
- 自主监督的DLSR为提高fMRI分辨率提供了可行的替代方法.
- 这种新方法消除了获取GT HR数据的瓶,使fMRI SR更容易获得.
- 这种方法有望促进神经科学研究中大脑功能架构的详细分析.
