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。
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:
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:
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:
部分实验结果如下:
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:
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:
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:
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:
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: