Deep filter bank regression for super-resolution of anisotropic MR brain images

要約

2次元マルチスライス磁気共鳴（MR）撮影において、スルー・プレーン信号はイン・プレーン信号よりも一般的に低分解能である。現代の超解像（SR）法は、高解像度のボリュームを復元することを目的としているが、推定される高周波情報は明示的に求められるのではなく、エンドツーエンドのデータ駆動型学習により暗黙的に求められる。この問題に対処するため、我々はSRの問題文を完全再構成フィルタバンクの観点から捉え直し、不足している情報を特定し、直接推定することを可能にする。本研究では、特定のスキャンの異方性収集に対応する完全再構成フィルタバンクの完成を近似的に求める2段階のアプローチを提案する。ステージ1では、勾配降下法を用いて欠損フィルタを推定し、ステージ2では、ディープネットワークを用いて粗係数から詳細係数へのマッピングを学習する。また、提案する定式化では、外部学習データに依存しないため、領域シフト補正の必要性を回避することができます。我々のアプローチでは、特に「スライスギャップ」シナリオにおいてSR性能が向上しており、これはおそらくフレームワークによって課される制約された解空間によるものであると考えられる。

要約(オリジナル)

In 2D multi-slice magnetic resonance (MR) acquisition, the through-plane signals are typically of lower resolution than the in-plane signals. While contemporary super-resolution (SR) methods aim to recover the underlying high-resolution volume, the estimated high-frequency information is implicit via end-to-end data-driven training rather than being explicitly stated and sought. To address this, we reframe the SR problem statement in terms of perfect reconstruction filter banks, enabling us to identify and directly estimate the missing information. In this work, we propose a two-stage approach to approximate the completion of a perfect reconstruction filter bank corresponding to the anisotropic acquisition of a particular scan. In stage 1, we estimate the missing filters using gradient descent and in stage 2, we use deep networks to learn the mapping from coarse coefficients to detail coefficients. In addition, the proposed formulation does not rely on external training data, circumventing the need for domain shift correction. Under our approach, SR performance is improved particularly in ‘slice gap’ scenarios, likely due to the constrained solution space imposed by the framework.

arxiv情報

提供元, 利用サービス

arxiv.jp, DeepL