机构名称：
¥ 1.0
来自多个中心的大脑磁共振成像（MRI）数据通常在成像条件下表现出差异，例如所使用的核磁共振仪器的类型和随机噪声的存在。此外，MRI切片之间差距的差异进一步使数据的可用性复杂化了高级人工智能（AI）分析。基于深度学习的方法已成为解决挑战的实用解决方案。然而，现有的研究在很大程度上忽略了大脑MRI数据的增强，尤其是在面对明显的切片间隙时，例如在我们的临床大脑MRI切片中观察到的大约6 mM。响应这一研究差距，我们旨在开发新的方法来增强大脑MRI数据，重点关注更大的切片差距。为了实现这一目标，我们提出了SOFNET，它利用了基于光流和编码器 - 二次骨架的sofnet。我们模型的主要目标是插值MRI切片，同时保持特征一致性。利用光流法，与其他超分辨率算法相比，该方法表现出了出色的性能，我们提出的方法已在三个不同的大脑MRI数据集上进行了评估，并明确解决了4.2 mm和6.0 mm之间的差距。实验结果强调了SOFNET在生成适应的脑MRI数据方面获得的超分辨率质量的显着增强，超过了其他单位超级分辨率（SISR）方法。为了确保插值脑MRI切片的可信度，我们基于诸如峰值信噪比（PSNR）和结构相似性指数（SSIM）等指标（例如峰值信噪比（PSNR））对三个MRI进行了实验。这些实验证明了我们方法在将低分辨率MRI数据转换为清晰可靠的大脑MRIS中的有效性，从而可以使用AI技术进行了改进的分析。
sofnet：基于光流的大型...
主要关键词
相关文件推荐
