Cross-Modality High-Frequency Transformer for MR Image Super-Resolution

要約

磁気共鳴（MR）画像データの解像度を向上させることは、コンピューター支援診断と脳機能分析にとって重要です。
解像度が高いと、より詳細なコンテンツをキャプチャできますが、通常、信号対雑音比が低くなり、スキャン時間が長くなります。
この目的のために、MR画像の超解像は最近広く関心のあるトピックになっています。
既存の作業は、畳み込みニューラルネットワーク（CNN）に基づく従来のアーキテクチャで広範な深いモデルを確立します。
この研究では、この研究分野をさらに前進させるために、貴重なドメインの事前知識を慎重に設計して、TransformerベースのMR画像超解像フレームワークを構築するための初期の取り組みを行っています。
具体的には、高周波構造の事前とモダリティ間コンテキストの事前を含む2つのドメインの事前を考慮し、クロスモダリティ高周波トランスフォーマー（Cohf-T）と呼ばれる新しいトランスフォーマーアーキテクチャを確立して、そのような事前情報を導入します。
低解像度（LR）MR画像を超解像します。
2つのデータセットでの実験は、Cohf-Tが新しい最先端のパフォーマンスを達成することを示しています。

要約(オリジナル)

Improving the resolution of magnetic resonance (MR) image data is critical to computer-aided diagnosis and brain function analysis. Higher resolution helps to capture more detailed content, but typically induces to lower signal-to-noise ratio and longer scanning time. To this end, MR image super-resolution has become a widely-interested topic in recent times. Existing works establish extensive deep models with the conventional architectures based on convolutional neural networks (CNN). In this work, to further advance this research field, we make an early effort to build a Transformer-based MR image super-resolution framework, with careful designs on exploring valuable domain prior knowledge. Specifically, we consider two-fold domain priors including the high-frequency structure prior and the inter-modality context prior, and establish a novel Transformer architecture, called Cross-modality high-frequency Transformer (Cohf-T), to introduce such priors into super-resolving the low-resolution (LR) MR images. Experiments on two datasets indicate that Cohf-T achieves new state-of-the-art performance.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google