[论文解读] Self Super-Resolution for Magnetic Resonance Images using Deep Networks

Can Zhao, Aaron Carass+2 more|arXiv (Cornell University)|Feb 26, 2018

Advanced Image Processing Techniques参考文献 8被引用 7

一句话总结

本文提出EDSSR，一种用于T1加权MRI的自监督超分辨率方法，可在无需外部训练数据的情况下，从低分辨率扫描生成高分辨率图像。通过将轴向切片模糊化以生成合成的低分辨率块，并结合使用EDSR深度网络与傅里叶脉冲累积（FBA）技术，该方法显著提升了层面间分辨率，在PSNR和SSIM指标上分别优于插值法和先前的自监督方法达3.5 dB和0.014。

ABSTRACT

High resolution magnetic resonance~(MR) imaging~(MRI) is desirable in many clinical applications, however, there is a trade-off between resolution, speed of acquisition, and noise. It is common for MR images to have worse through-plane resolution~(slice thickness) than in-plane resolution. In these MRI images, high frequency information in the through-plane direction is not acquired, and cannot be resolved through interpolation. To address this issue, super-resolution methods have been developed to enhance spatial resolution. As an ill-posed problem, state-of-the-art super-resolution methods rely on the presence of external/training atlases to learn the transform from low resolution~(LR) images to high resolution~(HR) images. For several reasons, such HR atlas images are often not available for MRI sequences. This paper presents a self super-resolution~(SSR) algorithm, which does not use any external atlas images, yet can still resolve HR images only reliant on the acquired LR image. We use a blurred version of the input image to create training data for a state-of-the-art super-resolution deep network. The trained network is applied to the original input image to estimate the HR image. Our SSR result shows a significant improvement on through-plane resolution compared to competing SSR methods.

研究动机与目标

• 解决因采集时间与信噪比（SNR）限制导致的MRI扫描层面间分辨率有限的临床挑战。
• 消除对外部高分辨率图谱图像的依赖，这些图像通常不可用或在强度与分辨率上存在不匹配。
• 开发一种仅从输入图像本身学习的自监督超分辨率框架，避免分布偏移与过拟合问题。
• 通过恢复T1加权MRI中的高频层面间细节，提升图像质量与诊断准确性。

提出的方法

• 通过在输入MRI体数据的层面间方向上模糊轴向切片，生成合成的低分辨率训练数据。
• 利用EDSR深度神经网络，学习从这些合成低分辨率块到原始图像中提取的高分辨率块之间的映射关系。
• 将训练好的网络应用于输入图像的冠状面与矢状面切片，以预测这些方向上的高分辨率版本。
• 采用傅里叶脉冲累积（FBA）技术，将来自多个方向的预测结果融合为最终一致的高分辨率体数据。
• 该框架支持非整数下采样因子，使其可适配临床实际中的MRI切片厚度。
• 通过在合成数据上进行预训练，实现迁移学习，使在新数据集上微调时仅需极少重新训练。

实验结果

研究问题

• RQ1 深度超分辨率网络是否能在无需外部高分辨率图谱数据的情况下，实现MRI中高质量的层面间分辨率增强？
• RQ2 与基于外部图谱的训练相比，利用图像内部统计特征进行自监督训练在图像质量与泛化能力方面表现如何？
• RQ3 在临床MRI的自监督超分辨率框架中，能否有效处理非整数下采样因子？
• RQ4 使用傅里叶脉冲累积是否能提升从多个图像方向预测结果融合后的重建保真度？
• RQ5 该方法在多大程度上减少了因受试者与图谱图像在强度与分辨率上不匹配而引起的过拟合问题？

主要发现

• 对于3mm切片厚度，EDSSR在PSNR上达到平均34.44 dB，显著优于BSP（31.98 dB）与SSR [11]（33.49 dB），统计检验p值<0.05。
• 对于3mm输入，EDSSR在SSIM上达到平均0.9773，显著高于SSR [11]（0.9678）与BSP（0.9635），表明结构保持能力更优。
• 在真实2.20mm切片厚度数据的视觉对比中，EDSSR生成的图像边缘更清晰，解剖细节更丰富，优于BSP与SSR [11]。
• 该方法对非整数下采样因子（如k≈2.65）具有鲁棒性，这在临床MRI中很常见，而EDSR则要求整数缩放。
• 迁移学习使在新数据集上微调时训练时间减少50–90%，显著提升在不同受试者与扫描仪间适应的效率。
• 自监督方法消除了训练与测试数据间强度不匹配的问题，降低了过拟合，提升了临床环境下的泛化能力。