电气工程与系统科学 > 图像与视频处理
[提交于 2025年1月27日
]
标题: 空间角度表示学习用于扩散MRI中的高保真连续超分辨率
标题: Spatial-Angular Representation Learning for High-Fidelity Continuous Super-Resolution in Diffusion MRI
摘要: 扩散磁共振成像(dMRI)由于成像硬件和系统噪声的固有限制,通常面临空间和角度分辨率低的问题,这会不利地影响微结构参数的准确估计,特别是精细解剖细节。基于深度学习的超分辨率技术在不增加采集时间的情况下显示出增强dMRI分辨率的潜力。然而,大多数现有方法仅限于空间或角度超分辨率,限制了它们在捕捉详细微结构特征方面的有效性。此外,传统的像素级损失函数难以恢复高分辨率重建中必要的复杂图像细节。为了解决这些挑战,我们提出了SARL-dMRI,一种用于dMRI高保真连续超分辨率的新颖空间-角度表示学习框架。SARL-dMRI探索隐式神经表示和球面谐波来建模连续的空间和角度表示,在同时增强空间和角度分辨率的同时提高微结构参数估计的准确性。为了进一步保持图像保真度,引入了一个数据保真模块和基于小波的频率损失,确保超分辨率图像与原始输入保持一致并保留细粒度细节。大量实验表明,与另外五种最先进的方法相比,我们的方法显著提高了dMRI数据的分辨率,提高了微结构参数估计的准确性,并提供了更好的泛化能力。它在45$\times$的下采样因子下仍保持稳定的性能。
文献和引用工具
与本文相关的代码,数据和媒体
alphaXiv (什么是 alphaXiv?)
CatalyzeX 代码查找器 (什么是 CatalyzeX?)
DagsHub (什么是 DagsHub?)
Gotit.pub (什么是 GotitPub?)
Hugging Face (什么是 Huggingface?)
带有代码的论文 (什么是带有代码的论文?)
ScienceCast (什么是 ScienceCast?)
演示
推荐器和搜索工具
arXivLabs:与社区合作伙伴的实验项目
arXivLabs 是一个框架,允许合作伙伴直接在我们的网站上开发和分享新的 arXiv 特性。
与 arXivLabs 合作的个人和组织都接受了我们的价值观,即开放、社区、卓越和用户数据隐私。arXiv 承诺这些价值观,并且只与遵守这些价值观的合作伙伴合作。
有一个为 arXiv 社区增加价值的项目想法吗? 了解更多关于 arXivLabs 的信息.