摘要
高分辨率磁共振（MR）成像在许多临床应用中备受青睐，因为它有助于提高后续分析的准确性并实现早期临床诊断。单图像超分辨率（SISR）是一种有效且成本效益高的替代技术，可以提升MR图像的空间分辨率。近年来，基于深度学习技术尤其是卷积神经网络（CNNs）的SISR方法在自然图像上取得了最先进的性能。然而，随着网络的加深，信息逐渐减弱，训练难度也越来越大。对于医学图像而言，这一问题更为严重，因为缺乏高质量和有效的训练样本使得深度模型容易出现欠拟合或过拟合现象。此外，许多当前模型对不同通道中的层次特征进行同等处理，这不利于模型有区别地和有针对性地处理这些特征。为此，我们提出了一种新颖的通道分裂网络（CSN），以减轻深度模型的表示负担。所提出的CSN模型将层次特征分为两个分支，即残差分支和密集分支，这两个分支具有不同的信息传递机制。残差分支能够促进特征重用，而密集分支则有利于探索新特征。此外，我们还采用了合并-运行映射（merge-and-run mapping），以促进不同分支之间的信息整合。大量实验表明，在包括质子密度（PD）、T1和T2在内的各种MR图像上，所提出的CSN模型优于其他最先进的SISR方法。