Self-supervised arbitrary scale super-resolution framework for anisotropic MRI

要約

タイトル：異方性MRIに対する自己教師あり任意スケール超解像度フレームワーク

要約：

– 本論文では、外部トレーニングデータを使用せずに異方性MRI入力から等方性磁気共鳴（MR）イメージを再構築するための効率的な自己教師あり任意スケール超解像度（SR）フレームワークを提案しています。
– 提案されたフレームワークは、任意の画像解像度を持つ野生の異方性MRボリュームを使用してトレーニングデータセットを構築します。
– その後、3DボリュームSRタスクを2D画像スライスのSR問題として定式化します。
– INR（implicit neural representation）ネットワークを適応して、2D任意スケール画像SRモデルを実装します。
– 最後に、提案されたモデルを使用して、異方性MRボリュームから抽出した2D LR平面をHRビューにアップサンプリングします。
– 結果として生成されたHRスライスを積み重ねて平均することで、等方性MRボリュームを再構築することができます。
– 提案されたフレームワークには、2つの主な利点があります：（1）任意解像度の異方性MRボリュームのみを使用するため、実際のMRイメージングシナリオ（例：臨床的な脳イメージ取得）においてモデルの実用性が大幅に改善されます。 （2） INRベースのSRモデルにより、任意解像度の入力画像から任意スケール画像SRを実現できるため、モデルトレーニングの効率が大幅に向上します。
– シミュレートされた公開成人脳のデータセットおよび収集した7T脳のデータセットで実験を行いました。その結果、提案されたフレームワークが異方性MRイメージSRタスクの2つのよく知られている自己教師ありモデルを大幅に上回ることが示されました。

要約(オリジナル)

In this paper, we propose an efficient self-supervised arbitrary-scale super-resolution (SR) framework to reconstruct isotropic magnetic resonance (MR) images from anisotropic MRI inputs without involving external training data. The proposed framework builds a training dataset using in-the-wild anisotropic MR volumes with arbitrary image resolution. We then formulate the 3D volume SR task as a SR problem for 2D image slices. The anisotropic volume’s high-resolution (HR) plane is used to build the HR-LR image pairs for model training. We further adapt the implicit neural representation (INR) network to implement the 2D arbitrary-scale image SR model. Finally, we leverage the well-trained proposed model to up-sample the 2D LR plane extracted from the anisotropic MR volumes to their HR views. The isotropic MR volumes thus can be reconstructed by stacking and averaging the generated HR slices. Our proposed framework has two major advantages: (1) It only involves the arbitrary-resolution anisotropic MR volumes, which greatly improves the model practicality in real MR imaging scenarios (e.g., clinical brain image acquisition); (2) The INR-based SR model enables arbitrary-scale image SR from the arbitrary-resolution input image, which significantly improves model training efficiency. We perform experiments on a simulated public adult brain dataset and a real collected 7T brain dataset. The results indicate that our current framework greatly outperforms two well-known self-supervised models for anisotropic MR image SR tasks.

arxiv情報

提供元, 利用サービス

arxiv.jp, OpenAI