Unpaired MRI Super Resolution with Self-Supervised Contrastive Learning

要約

高解像度 (HR) 磁気共鳴画像法 (MRI) は、臨床現場での診断精度を高めるために不可欠です。
それにもかかわらず、MRI 分解能には固有の限界があるため、その広範な適用性は制限されています。
深層学習ベースの画像超解像度 (SR) 手法は、追加コストをかけずに MRI 解像度を向上させることが期待できます。
ただし、これらの方法ではトレーニングに相当な数の HR MRI 画像が必要になることが多く、取得が困難な場合があります。
この論文では、限られたトレーニング データで SR パフォーマンスを向上させるために自己教師あり対比学習を採用する、対応のない MRI SR アプローチを提案します。
私たちのアプローチでは、本物の HR 画像と合成的に生成された SR 画像の両方を活用して、ポジティブサンプルとネガティブサンプルのペアを構築し、識別特徴の学習を容易にします。
この研究で提示された経験的結果は、利用可能な HR 画像が不足している場合でも、ピーク信号対雑音比と構造類似性指数が大幅に向上していることを強調しています。
これらの発見は、トレーニング データが限られているという課題に対処する際の私たちのアプローチの可能性を強調し、それによって臨床応用における高解像度 MRI の進歩に貢献します。

要約(オリジナル)

High-resolution (HR) magnetic resonance imaging (MRI) is crucial for enhancing diagnostic accuracy in clinical settings. Nonetheless, the inherent limitation of MRI resolution restricts its widespread applicability. Deep learning-based image super-resolution (SR) methods exhibit promise in improving MRI resolution without additional cost. However, these methods frequently require a substantial number of HR MRI images for training, which can be challenging to acquire. In this paper, we propose an unpaired MRI SR approach that employs self-supervised contrastive learning to enhance SR performance with limited training data. Our approach leverages both authentic HR images and synthetically generated SR images to construct positive and negative sample pairs, thus facilitating the learning of discriminative features. Empirical results presented in this study underscore significant enhancements in the peak signal-to-noise ratio and structural similarity index, even when a paucity of HR images is available. These findings accentuate the potential of our approach in addressing the challenge of limited training data, thereby contributing to the advancement of high-resolution MRI in clinical applications.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google