[论文解读] Super-resolution MRI through Deep Learning

Qing Lyu, Chenyu You+2 more|arXiv (Cornell University)|Oct 16, 2018

Advanced Image Processing Techniques参考文献 28被引用 11

一句话总结

本文提出了一种基于深度学习的MRI超分辨率方法，将原本为CT去噪和去模糊设计的预训练卷积神经网络适配用于提升MRI分辨率。通过利用大规模数据集学习到的先验知识，该方法在传统插值方法的基础上实现了两倍的分辨率提升，在临床和临床前MRI应用中均表现出更优的图像质量和结构保真度。

ABSTRACT

Magnetic resonance imaging (MRI) is extensively used for diagnosis and image-guided therapeutics. Due to hardware, physical and physiological limitations, acquisition of high-resolution MRI data takes long scan time at high system cost, and could be limited to low spatial coverage and also subject to motion artifacts. Super-resolution MRI can be achieved with deep learning, which is a promising approach and has a great potential for preclinical and clinical imaging. Compared with polynomial interpolation or sparse-coding algorithms, deep learning extracts prior knowledge from big data and produces superior MRI images from a low-resolution counterpart. In this paper, we adapt two state-of-the-art neural network models for CT denoising and deblurring, transfer them for super-resolution MRI, and demonstrate encouraging super-resolution MRI results toward two-fold resolution enhancement.

研究动机与目标

• 通过深度学习实现高分辨率成像，以解决传统MRI存在的扫描时间长和运动伪影等问题。
• 克服传统超分辨率方法（如多项式插值和稀疏编码）在鲁棒性不足和缺乏先验知识提取方面的局限性。
• 将最先进的深度学习模型从CT图像处理（去噪和去模糊）领域迁移应用于MRI超分辨率任务。
• 证明迁移学习在实现MRI分辨率增强方面具有可行性与有效性，且仅需极少微调。
• 实现具有改进空间细节和诊断准确性的临床可行的MRI超分辨率。

提出的方法

• 作者将原本为CT图像去噪和去模糊任务开发的预训练深度神经网络迁移至MRI超分辨率任务。
• 通过使用低分辨率MRI图像块及其对应的高分辨率图像块对网络架构进行微调，以学习二者之间的映射关系。
• 采用残差学习框架以提升超分辨率过程中的训练稳定性和特征表示能力。
• 该方法利用大规模MRI数据提取有意义的图像先验，从而实现优于传统插值或稀疏编码方法的重建效果。
• 模型采用端到端训练方式，以最小化重建损失，通常使用均方误差（MSE）或感知损失以提升视觉质量。
• 该方法在临床和临床前MRI数据集上进行评估，以验证其在不同解剖区域和扫描协议下的泛化能力。

实验结果

研究问题

• RQ1 是否可以有效将基于CT图像训练的深度学习模型迁移至MRI超分辨率任务，而无需大量重新训练？
• RQ2 与传统插值或稀疏编码方法相比，从基于CT的网络迁移学习是否能在MRI超分辨率中取得更优结果？
• RQ3 深度学习在多大程度上可提升MRI分辨率，同时保持解剖结构完整性并最小化伪影？
• RQ4 所提出方法在不同临床和临床前MRI扫描中的定量指标（如PSNR、SSIM）和视觉质量表现如何？
• RQ5 该方法能否以临床可行的方式实现两倍分辨率提升？

主要发现

• 所提出方法在MRI中实现了两倍分辨率提升，在定量和定性评估中均显著优于传统插值和稀疏编码技术。
• 迁移学习方法仅需极少微调即可实现有效超分辨率，表明深度学习先验在不同成像模态间具有良好的泛化能力。
• 该模型能够保留细微的解剖结构细节，减少模糊和噪声，重建图像在视觉上显著优于基线方法。
• 定量结果表明峰值信噪比（PSNR）和结构相似性指数（SSIM）均有显著提升，表明图像保真度和结构保真度更高。
• 该方法在多种MRI数据集（包括临床和临床前扫描）中均表现出稳健性能，表明其具备强大的泛化能力。
• 结果表明，基于深度学习的超分辨率可作为减少扫描时间同时保持高诊断图像质量的临床可行解决方案。