一个通用的注册辅助框架,用于动态磁共振成像超分辨率与不对齐的训练数据
Yinghui Wang1, Jing Zou2, Tian Li1
1Department of Health Technology and Informatics, The Hong Kong Polytechnic University, Kowloon, Hong Kong SAR, China.
这项研究引入了一个注册辅助超分辨率框架 (RegSR),通过直接对错位数据进行培训来提高动态MRI质量. RegSR增强了重建忠诚度和视觉现实主义,克服了现实世界医学成像中的运动工件.
科学领域:
- 医疗成像医学成像
- 人工智能的人工智能
- 图像重建 图像的重建
背景情况:
- 对于动态MRI (dMRI) 超分辨率的深度学习面临的挑战是,低分辨率和高分辨率 (LR-HR) 训练对之间的运动诱导失调.
- 模拟HR图像中的LR的先前方法创建了一个域间隙,阻碍了现实世界的性能.
研究的目的:
- 提出一个通用的注册辅助超级分辨率框架 (RegSR),用于对不一致的临床dMRI数据进行直接监督学习.
- 在现实世界,运动损坏的dMRI数据集上实现强大的训练.
主要方法:
- RegSR采用一种协同方法,其中超级分辨率和注册相互增强.
- 引入一个多尺度递归注册网络 (MRReg),用于精确的空间校正LR图像.
- 采用双坐标培训方案,确保为超分辨率和注册模块提供专业,无干扰的培训.
主要成果:
- 在腹部和心脏dMRI数据集上,RegSR显著超过了最先进的方法.
- 实现了定量改进:MAE减少8.15%,SSIM增加3.47%,PSNR增加2.48%.
- 在感知质量指标 (LPIPS) 中表现卓越,在NIQE中排名高.
结论:
- RegSR提供了一个强大的和可通用的解决方案,用于对现实世界dMRI的监督超分辨率培训.
- 有效地解决运动引起的错位,并提高整体重建质量.
更多相关视频
相关概念视频
07:59Training Dogs for Awake, Unrestrained Functional Magnetic Resonance Imaging
11:27Magnetically-Assisted Remote Controlled Microcatheter Tip Deflection under Magnetic Resonance Imaging
11:03High-resolution In Vivo Manual Segmentation Protocol for Human Hippocampal Subfields Using 3T Magnetic Resonance Imaging
12:41Acquisition of Resting-State Functional Magnetic Resonance Imaging Data in the Rat
10:40High Resolution Phonon-assisted Quasi-resonance Fluorescence Spectroscopy
fMRI: Functional Magnetic Resonance Imaging


