Dual Arbitrary Scale Super-Resolution for Multi-Contrast MRI

要約

イメージング システムによる制限があるため、部分的な測定から磁気共鳴画像法 (MRI) 画像を再構成することは、医療画像研究には不可欠です。
さまざまなイメージングモダリティにおけるマルチコントラスト MR 画像の多様で補完的な情報の恩恵を受けて、マルチコントラスト超解像度 (SR) 再構成は、より高品質の SR 画像を生成することが期待されています。
医療シナリオでは、病変を完全に視覚化するために、放射線科医は、ほとんどの MRI SR 手法で使用されている固定スケールを使用するのではなく、任意のスケールで MR 画像をズームすることに慣れています。
さらに、既存のマルチコントラスト MRI SR 手法では、参照画像に固定解像度が必要な場合が多いため、参照画像の取得が困難になり、任意スケールの SR タスクに制限が課せられます。
これらの問題に対処するために、私たちは、Dual-ArbNet と呼ばれる、暗黙的ニューラル表現に基づくデュアル任意マルチコントラスト MRI 超解像法を提案しました。
まず、特徴エンコーダによってターゲット画像と参照画像の解像度を分離し、ネットワークが任意のスケールでターゲット画像と参照画像を入力できるようにします。
次に、暗黙的融合デコーダがマルチコントラスト特徴を融合し、暗黙的復号関数 (IDF) を使用して最終的な MRI SR 結果を取得します。
さらに、ネットワークをトレーニングするためのカリキュラム学習戦略を導入し、Dual-ArbNet の汎用性とパフォーマンスを向上させます。
2 つの公開 MRI データセットでの広範な実験により、私たちの方法がさまざまなスケール係数の下で最先端のアプローチを上回り、臨床現場で大きな可能性があることが実証されました。

要約(オリジナル)

Limited by imaging systems, the reconstruction of Magnetic Resonance Imaging (MRI) images from partial measurement is essential to medical imaging research. Benefiting from the diverse and complementary information of multi-contrast MR images in different imaging modalities, multi-contrast Super-Resolution (SR) reconstruction is promising to yield SR images with higher quality. In the medical scenario, to fully visualize the lesion, radiologists are accustomed to zooming the MR images at arbitrary scales rather than using a fixed scale, as used by most MRI SR methods. In addition, existing multi-contrast MRI SR methods often require a fixed resolution for the reference image, which makes acquiring reference images difficult and imposes limitations on arbitrary scale SR tasks. To address these issues, we proposed an implicit neural representations based dual-arbitrary multi-contrast MRI super-resolution method, called Dual-ArbNet. First, we decouple the resolution of the target and reference images by a feature encoder, enabling the network to input target and reference images at arbitrary scales. Then, an implicit fusion decoder fuses the multi-contrast features and uses an Implicit Decoding Function~(IDF) to obtain the final MRI SR results. Furthermore, we introduce a curriculum learning strategy to train our network, which improves the generalization and performance of our Dual-ArbNet. Extensive experiments in two public MRI datasets demonstrate that our method outperforms state-of-the-art approaches under different scale factors and has great potential in clinical practice.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google