医学图像MRI增强相关论文
医学图像MRI增强相关论文
背景
在MRI扫描中，与常规3T MRI相比，特高磁场7T MRI具有更高的分辨率和更好的组织造影，有助于更准确、早期的脑部疾病诊断。然而，目前7T MRI扫描仪在临床和研究中更昂贵且数量更少，这促使研究者提出从3T MRI中重建与7T MRI质量相近的图像的方法，以提高图像的分辨率和对比度。 这样可以更准确地完成组织分割等后处理任务，以更高的分辨率和对比度看到脑组织的细节。这篇文章主要介绍从低分辨率的3TMRI中重建高分辨率的类7TMR图像的相关论文。
相关论文
Reconstruction of 7T-Like Images From 3T MRI（MCCA TMI2016）
Authors: Khosro Bahrami, Feng Shi, Xiaopeng Zong, Hae Won Shin, Hongyu An, Dinggang Shen 这篇论文是MICCAI2015 M-CCA的扩展论文，它的主要贡献有：
- 提出multi-level CCA来增加3T、7T字典的关联性；
- 在MCCA空间使用组稀疏（group sparity）获得相邻patch的结构一致性
- 使用分层框架来逐步重建精细化的7T图像 方法： 一般的字典学习其能量函数可表示为：
空间域的稀疏表示假设3T (LR)和7T (HR)图像高度相关，具有相似的分布，但在实际应用中，这种假设可能并不完全成立。为了克服这一缺点，可以在CCA空间中进行稀疏表示。引入两个基向量，即
作者认为相邻的patch通常具有相似的结构，因此应该具有相似的稀疏表示。通过将一个patch及其附属的patch视为一个组，可增强相邻patch的组稀疏性，实现局部结构的一致性，则（3）式可以写成如下形式：
此外，作者认为在基于patch的重建中，patch的大小是非常重要的。因此本文提出了一种改变patch size的重建方案，通过从较大的patch开始，在多次迭代中层次化地减小patch的大小，即
总体结构如下：
实验部分： 本文使用了13例配对的3T、7T脑MRI图像，其中8名是健康的，5名是癫痫患者。定量评价指标有PSNR、SSIM、VIF、UQI及组织分割结果DICE。部分实验结果如下：
7T-guided super-resolution of 3T MRI(RF Physics2017)
Authors: Khosro Bahrami, Feng Shi, Islem Rekik, and Yaozong Gao 本文用数学方法来生成类似7T的超分辨率3T图像，主要贡献有：
- 依次使用随机森林回归和稀疏表示来提高重构性能；
- 引入一种基于随机森林树输出分布的集成策略，去除异常值，避免不可靠的结果；
- 引入一种加权方案，对随机森林中有代表性的训练样本赋予更高的权值；
- 提出一种基于高分辨率空间图像的预选方案，进一步引入组稀疏性来共享输出的稀疏性 实验部分： 本文采用的数据集是15例配对好的3T、7T图像；对比方法均为传统方法，所用指标有PSNR、SSIM、UQI；用FSL中的FAST工具测试脑图像的分割结果。 本文框架如下：
部分实验结果如下：
Convolutional Neural Network for Reconstruction of 7T-like Images from 3T MRI Using Appearance and Anatomical Features (CAAF DLMIA2016)
Authors: Khosro Bahrami, Feng Shi, Islem Rekik, and Dinggang Shen 本文是用卷积神经网络来重建类7T图像，用的是3D-CNN。主要贡献有：
- 除了表观特征外，将解剖特征引入CNN用于学习3T、7T的映射，使相邻patch有解剖一致性
- 使用CNN结构端到端学习，采用不同卷积核更好地提取特征，不需要额外学习和优化步骤 网络结构如下，损失函数为MSE loss：
实验部分： 本文用到的数据集是15例配对MRI图像，其中健康受试者5例，癫痫8例，MCI 2例。所用指标PSNR，部分实验结果如下：
Dual-Domain Cascaded Regression for Synthesizing 7T from 3T MRI (DDCR MICCAI2016)
Authors: Yongqin Zhang, Jie-Zhi Cheng, Lei Xiang, Pew-Thian Yap, and Dinggang Shen 这篇文章用的是数学方法来合成类7T图像，主要贡献有： 1． 将图像合成问题转化为回归问题求解 2． 提出对偶域串行回归，分别利用空间域和频率域（DCT）的信息来学习3T到7T的映射 方法： 本文提出一个线性回归模型来表示LR字典到HR字典的映射，即
使用ridge回归来求解，其优化方程可以写为:
求导并取极值点，可以得到
与空间域的回归相似，频域中合成7T分量和合成HR字典可分别计算为：
将空间域与频率域的回归结果相结合，即可得：
总体框架如下：
实验部分： 本文所用的数据集为15例配对MRI脑图像，评价指标为PSNR、SSIM。部分实验结果如下：
Joint Reconstruction and Segmentation of 7T-like MR Images from 3T MRI Based on Cascaded Convolutional Neural Networks (MICCAI2017)
Authors Khosro Bahrami, Islem Rekik, Feng Shi, and Dinggang Shen 本文是基于深度学习的MRI重建及分割，将图像分割域重建任务联合在一个统一的框架中。主要贡献如下：
- 提出一个相互级联的3DCNN，同时用于学习重建7T图像和对应的分割映射；
- 使用3D卷积可以使相邻patch的解剖结构具有更好的空间一致性
- 利用重构和分割任务之间相互学习，在每个级联步骤中相互收益，使得重建后的类7T图像具有较高的分辨率和对比度，同时产生高质量的分割结果。 这篇文章的方法还是比较简单的，总的来说就是采用了双分支的3DCNN，在每一步中交换学到的特征，网络结构如下：
实验部分：本文采用15例配对的健康人的MRI图像。评价指标有PSNR、SSIM以及FAST得到的分割结果DICE比较。部分实验结果如下：
