Réduction de bruit et super-résolution d’images IRM à l’aide d’un réseau d’attention de raisonnement à excitation et compression

Les images d’imagerie par résonance magnétique (IRM) haute qualité et haute résolution (HR) fournissent des informations plus détaillées pour un diagnostic fiable et des analyses quantitatives d’images. Les réseaux de neurones convolutifs profonds (CNN) ont démontré un potentiel prometteur pour la reconstruction de haute résolution (SR) à partir d’images IRM à basse résolution (LR). En général, les images IRM à basse résolution partagent certaines caractéristiques visuelles : des motifs répétitifs, des structures relativement simples et un arrière-plan moins informatif. La plupart des méthodes précédentes de SR basées sur les CNN traitent les pixels spatiaux (y compris l’arrière-plan) de manière équivalente, tout en ignorant l’ensemble de l’espace d’entrée, ce qui est pourtant crucial pour une SR de haute qualité en IRM. Pour résoudre ces limitations, nous proposons un nouveau modèle appelé réseaux d’attention par raisonnement de compression et d’excitation (SERAN) pour une reconstruction précise des images IRM. Notre approche consiste à extraire une attention globale à partir des informations spatiales d’entrée afin d’obtenir des descripteurs globaux. Ces descripteurs globaux renforcent la capacité du réseau à se concentrer sur les régions et structures les plus informatives des images IRM. Nous établissons ensuite des relations entre ces descripteurs globaux et introduisons une attention par raisonnement de relations primitives. Les descripteurs globaux sont ensuite affinés grâce à l’attention apprise. Pour exploiter pleinement l’information agrégée, nous recalibrons de manière adaptative les réponses de caractéristiques à l’aide de vecteurs d’attention adaptatifs appris. Ces vecteurs sélectionnent un sous-ensemble de descripteurs globaux afin de compléter chaque localisation spatiale, garantissant ainsi une reconstruction précise des détails et des textures. En outre, nous proposons une attention par compression et excitation avec échelle résiduelle, qui stabilise non seulement l’entraînement mais permet également une intégration flexible avec d’autres architectures fondamentales. Des expériences étendues démontrent l’efficacité de notre méthode SERAN, qui surpasse clairement les approches de pointe sur les benchmarks, tant du point de vue quantitatif que qualitatif.