MR-Bild-Super-Resolution mit Squeeze-and-Excitation-Reasoning-Attention-Netzwerk

Hochwertige hochauflösende (HR) magnetresonanzbildgebungs-(MR-)Bilder ermöglichen eine detailliertere Informationsgewinnung für zuverlässige Diagnosen und quantitative Bildanalyseverfahren. Tiefgreifende konvolutionelle neuronale Netze (CNNs) haben ein vielversprechendes Potenzial für die Super-Resolution (SR) von MR-Bildern gezeigt, wenn niedrigauflösende (LR) MR-Bilder als Eingabe dienen. LR-MR-Bilder weisen typischerweise bestimmte visuelle Merkmale auf: wiederkehrende Muster, relativ einfach strukturierte Inhalte und weniger informative Hintergründe. Die meisten bisherigen CNN-basierten SR-Methoden behandeln die räumlichen Pixel (einschließlich des Hintergrunds) gleichwertig und erfassen zudem nicht den gesamten Eingaberaum, was für eine hochwertige SR von MR-Bildern jedoch entscheidend ist. Um diese Probleme zu adressieren, schlagen wir Netzwerke mit Squeeze-und-Excitation-Reasoning-Attention (SERAN) für eine präzise SR von MR-Bildern vor. Wir schlagen vor, Aufmerksamkeit aus der globalen räumlichen Information der Eingabe zu extrahieren und globale Deskriptoren zu erzeugen. Diese globalen Deskriptoren stärken die Fähigkeit des Netzwerks, sich auf informativere Regionen und Strukturen in MR-Bildern zu konzentrieren. Darüber hinaus etablieren wir Beziehungen zwischen diesen globalen Deskriptoren und führen eine primitive Beziehungsschließungs-Attention ein. Die globalen Deskriptoren werden anschließend mit der gelernten Aufmerksamkeit verfeinert. Um die aggregierte Information optimal zu nutzen, passen wir die Merkmalsantworten adaptiv mit gelernten adaptiven Aufmerksamkeitsvektoren neu an. Diese Aufmerksamkeitsvektoren wählen eine Teilmenge der globalen Deskriptoren aus, um jede räumliche Position gezielt zu ergänzen und somit eine präzise Rekonstruktion von Details und Texturen zu ermöglichen. Wir stellen eine Squeeze-und-Excitation-Attention mit residueller Skalierung vor, die nicht nur die Stabilität des Trainings verbessert, sondern auch flexibel in andere grundlegende Netzwerke integrierbar ist. Umfangreiche Experimente belegen die Wirksamkeit unseres vorgeschlagenen SERAN-Netzwerks, das sowohl quantitativ als auch qualitativ deutlich über den aktuellen Stand der Technik auf etablierten Benchmarks hinausgeht.