残差密集注意力网络多模态MR图像超分辨率重建
目的 现有医学图像超分辨率方法主要针对单一模态图像进行设计,然而在磁共振成像(magnetic reso-nance imaging,MRI)技术的诸多应用场合,往往需要采集不同成像参数下的多模态图像.针对单一模态的方法无法利用不同模态图像之间的关联信息,很大程度上限制了重建性能.目前超分辨率网络模型参数量往往较大,导致计算和存储代价较高.为此,本文提出了一个轻量级残差密集注意力网络,以一个统一的网络模型同时实现多模态MR图像的超分辨率重建.方法 首先将不同模态的MR图像堆叠后输入网络,在低分辨率空间中提取共有特征,之后采用设计的残差密集注意力模块进一步精炼特征,再通过一个亚像素卷积层上采样到高分辨率空间,最终分别重建出不同模态的高分辨率图像.结果 本文采用MICCAI(medical image computing and computer assisted intervention)BraTS(brain tumor segmentation)2019数据集中的T1和T2加权MR图像对网络进行训练和测试,并与8种代表性超分辨率方法进行对比.实验结果表明,本文方法可以取得优于对比方法的重建性能.相对于对比方法中性能最优的方法,本文方法在参数量低于对比模型的10％的情况下,当放大因子为2时,T1和T2加权模态的峰值信噪比(peak signal to noise ratio,PSNR)分别提高了0.1098 dB和0.4155 dB;当放大因子为3时,T2加权模态的PSNR提高了0.2959 dB,T1加权模态下降了0.0646 dB;当放大因子为4时,T1和T2加权模态的PSNR分别提高了0.2693 dB和0.0429 dB.结论 本文提出的轻量级超分辨率网络能够充分利用不同模态MR图像之间的关联信息,同时获得各输入模态图像高质量的超分辨率重建结果.
图像超分辨率、多模态MR图像、卷积神经网络(CNN)、残差学习、密集连接、注意力机制、多模态信息融合
28
TP391.4(计算技术、计算机技术)
国家自然科学基金;国家自然科学基金;国家自然科学基金
2023-02-09（万方平台首次上网日期，不代表论文的发表时间）
共12页
248-259
