.png){kind=icon}
返回
Multi-Contrast MRI Arbitrary-Scale Super-Resolution via Dynamic Implicit Network
.png){kind=icon}
PRE
AI
DOI：10.1109/TCSVT.2025.3556210.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
多对比度MRI超分辨率（SR）旨在从低分辨率图像中恢复高分辨率目标图像，其中使用另一对比度的参考图像来促进这一任务。为更好地满足临床需求，当前研究主要关注开发任意尺度MRI SR解决方案，而非固定尺度方案。然而，现有的任意尺度SR方法仍存在以下两个问题：1）它们通常依赖固定卷积来学习多对比度特征，难以处理不同尺度和输入图像对下的特征变换，从而限制了其表征能力；2）它们简单地将多对比度特征组合为先验信息，未能充分利用纹理丰富的参考图像中的互补信息。为解决这些问题，我们提出了动态隐式网络（DINet）用于多对比度MRI任意尺度SR。DINet具有以下关键优势：首先，尺度自适应动态卷积能够基于尺度因子和输入图像对促进动态特征学习，显著增强多对比度特征的表征能力；其次，双分支隐式注意力通过隐式神经表征实现MRI图像的任意尺度上采样。在此基础上，我们提出调制-融合模块以自适应地对齐和融合多对比度特征，有效将参考图像的互补细节融入目标图像。通过联合上述模块，我们提出的DINet在任意尺度下实现了卓越的MRI SR性能。在三个数据集上的广泛实验表明，DINet显著优于当前先进方法，凸显了其临床应用潜力。代码可获取于https://github.com/weijinbao1998/DINet。
Keyword:
Multi-contrast MRI
arbitrary-scale image super-resolution
MRI super-resolution
期刊
IF:
11.1
论文数:
869
被引数:
3.1W
机构
引用论文
.png){kind=icon}
分享收藏
分享收藏
查看更多内容