要約
高解像度磁気共鳴（MR）画像は、その後の分析の精度向上や早期診断に貢献するため、多くの臨床応用で望まれています。単一画像超解像（SISR）技術は、MR画像の空間解像度を向上させる効果的かつコスト効率の高い代替手段です。近年、深層学習技術、特に畳み込みニューラルネットワーク（CNNs）を基にしたSISR手法が自然画像において最先端の性能を達成しています。しかし、ネットワークが深くなるにつれて情報が徐々に弱まり、学習がますます困難になるという問題があります。医療画像ではこの問題がより深刻であり、高品質で効果的な訓練サンプルが不足しているため、深層モデルはアンダーフィッティングやオーバーフィッティングになりやすいです。また、多くの現行モデルは異なるチャネル上の階層的特徴を同等に扱っているため、モデルがこれらの特徴を差別的に且つ対象的に処理することには役立ちません。これを解決するために、我々は新たなチャネル分割ネットワーク（CSN）を提案します。提案されたCSNモデルは階層的特徴を2つのブランチに分けることで表現負担を軽減します。すなわち、残差ブランチと密集ブランチで情報伝達方法が異なります。残差ブランチは特徴再利用を促進し、密集ブランチは新しい特徴探索に有利です。さらに、異なるブランチ間での情報統合を容易にするためにマージ・アンド・ランマッピングも採用しています。プロトン密度（PD）、T1およびT2画像など様々なMR画像に対する広範な実験結果から、提案されたCSNモデルは他の最先端SISR手法よりも優れた性能を示していることが確認されました。