CN117764831A - 磁共振图像层间超分辨率重建方法 - Google Patents
磁共振图像层间超分辨率重建方法 Download PDFInfo
- Publication number
- CN117764831A CN117764831A CN202311843439.6A CN202311843439A CN117764831A CN 117764831 A CN117764831 A CN 117764831A CN 202311843439 A CN202311843439 A CN 202311843439A CN 117764831 A CN117764831 A CN 117764831A
- Authority
- CN
- China
- Prior art keywords
- image
- implicit
- magnetic resonance
- super
- resolution
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 51
- 239000011229 interlayer Substances 0.000 claims abstract description 28
- 230000001537 neural effect Effects 0.000 claims abstract description 24
- 239000010410 layer Substances 0.000 claims abstract description 22
- 238000013507 mapping Methods 0.000 claims abstract description 17
- 230000008447 perception Effects 0.000 claims abstract description 12
- 238000005070 sampling Methods 0.000 claims abstract description 9
- 238000013527 convolutional neural network Methods 0.000 claims description 5
- 238000012545 processing Methods 0.000 claims description 5
- 230000000007 visual effect Effects 0.000 claims description 5
- 230000000694 effects Effects 0.000 abstract description 4
- 238000010586 diagram Methods 0.000 description 5
- 238000004590 computer program Methods 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 238000012549 training Methods 0.000 description 4
- 238000004891 communication Methods 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000003044 adaptive effect Effects 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 238000012800 visualization Methods 0.000 description 1
Landscapes
- Magnetic Resonance Imaging Apparatus (AREA)
Abstract
本发明提供了一种磁共振图像层间超分辨率重建方法，包括：构建的基于空间注意力的隐式神经表示网络将输入图像中的每个网格体素转化为隐式特征表示，并建立隐式特征表示与体素空间坐标位置之间的映射关系；当针对任意上采样倍率对应的图像进行坐标查询时，通过空间注意力的隐式神经表示网络生成层间距任意小的磁共振图像。从而使用一个网络，即可以实现不同倍率(包括非整数)的磁共振图像超分辨率重建，更符合真实临床场景的需求。通过提出的局部感知空间注意力操作，可以从更大范围的上下文中提取有效信息，有效提升图像重建的效果。通过空间感知动态插值方法，可以让模型在性能和效率间取得更好的平衡。
Description
技术领域
本发明涉及医疗图像重建技术领域，具体地，涉及一种磁共振图像层间超分辨率重建方法。
背景技术
在临床或科研场景中，为了更快捷地获得图像，广泛采用2D序列。这些序列由多个2D切片组成，可叠加以形成3D图像。不过，相对于细粒度的层内分辨率，这类图像通常呈现出明显的层间距，导致体素间距各向异性较大。这对于可视化以及一些自动图像处理软件的应用构成挑战，因为它们要求输入图像具有各项同性的体素间距。
目前，基于深度学习的超分辨率技术已被广泛开发并用于磁共振图像的层间超分辨率。该技术的核心思想是运用神经网络来学习低分辨率图像(即具有较大层间距的磁共振图像)到高分辨率图像(即具有较小层间距的磁共振图像)的映射。在训练过程中，通常是对高分辨率图像进行降采样，得到对应的层间距更大的低分辨率图像。然后模型以低分辨率图像为输入，并输出预测的高分辨率图像。通过最小化模型预测结果与实际高分辨率图像之间的误差，引导模型学习正确的映射关系。
但是，这些技术在真实场景中运用时会遇到两点障碍。首先，现有的超分辨率网络仅能完成整数倍率的超分辨率重建。当目标图像的层间距与层内分辨率的比值为非整数时，需要进行非整数倍率的超分辨率重建，以实现各向同性的体素间距。当遇到这种情况时，现有的技术无法应用。其次，大多数超分辨率网络是在固定倍率上训练的。然而，由于临床扫描参数的多样性，磁共振图像的层间距与层内分辨率的比值通常是不确定的。若是为每个倍率单独训练一个网络，将耗费大量时间和计算资源。
发明内容
针对现有技术中的缺陷，本发明的目的是提供一种磁共振图像层间超分辨率重建方法。
第一方面，本申请实施例提供一种磁共振图像层间超分辨率重建方法，包括：
步骤1：通过构建的基于空间注意力的隐式神经表示网络将输入图像中的每个网格体素转化为隐式特征表示，并建立隐式特征表示与体素空间坐标位置之间的映射关系；
步骤2：当针对任意上采样倍率对应的图像进行坐标查询时，通过空间注意力的隐式神经表示网络生成层间距任意小的磁共振图像。
可选地，所述基于空间注意力的隐式神经表示网络包括：特征学习模块和解码模块，其中，所述特征学习模块用于将输入图像中的每个网格体素用隐式特征进行表示，所述解码模块用于计算新坐标位置的隐式特征表示，并将计算得到的隐式特征映射到体素空间。
可选地，在执行步骤2之前，还包括：
通过掩码预测器对输入图像进行重要区域检测，输出输入图像中的关键区域；其中，所述关键区域包括：前景、高视觉显著性区域。
可选地，步骤2包括：
当进行坐标查询时，若对应的坐标位于关键区域内，则采用局部感知空间注意力模块对坐标相邻像素上下文中获取信息，以输出包含更多特征信息的磁共振图像。
可选地，步骤2包括：
当进行坐标查询时，若对应的坐标不在关键区域内，则采用三线性插值方式提取坐标对应的磁共振图像。
可选地，所述特征学习模块包括：3D卷积神经网络，用以输出图像空间尺寸不变的特征图像；
所述解码模块包括各种不同线性层的网络，用以输出通道维数是1的特征图像。
第二方面，本申请实施例提供一种磁共振图像层间超分辨率重建装置，包括：
图像处理模块，用于通过构建的基于空间注意力的隐式神经表示网络将输入图像中的每个网格体素转化为隐式特征表示，并建立隐式特征表示与体素空间坐标位置之间的映射关系；
图像重构模块，用于在针对任意上采样倍率对应的图像进行坐标查询时，通过空间注意力的隐式神经表示网络生成层间距任意小的磁共振图像。
可选地，所述基于空间注意力的隐式神经表示网络包括：特征学习模块和解码模块，其中，所述特征学习模块用于将输入图像中的每个网格体素用隐式特征进行表示，所述解码模块用于计算新坐标位置的隐式特征表示，并将计算得到的隐式特征映射到体素空间。
可选地，还包括：图像区域检测模块，用于：
通过掩码预测器对输入图像进行重要区域检测，输出输入图像中的关键区域；其中，所述关键区域包括：前景、高视觉显著性区域。
可选地，所述图像重构模块，具体用于：
当进行坐标查询时，若对应的坐标位于关键区域内，则采用局部感知空间注意力模块对坐标相邻像素上下文中获取信息，以输出包含更多特征信息的磁共振图像。
可选地，所述图像重构模块，具体用于：
当进行坐标查询时，若对应的坐标不在关键区域内，则采用三线性插值方式提取坐标对应的磁共振图像。
可选地，所述特征学习模块包括：3D卷积神经网络，用以输出图像空间尺寸不变的特征图像；
所述解码模块包括各种不同线性层的网络，用以输出通道维数是1的特征图像。
第三方面，本申请实施例提供一种磁共振图像层间超分辨率重建设备，包括：处理器和存储器，所述存储器中存储有可执行的程序指令，所述处理器调用所述存储器中的程序指令时，所述处理器用于：
执行如第一方面中任一项所述的磁共振图像层间超分辨率重建方法的步骤。
第四方面，本申请实施例提供一种计算机可读存储介质，用于存储程序，所述程序被执行时实现如第一方面中任一项所述的磁共振图像层间超分辨率重建方法的步骤。
与现有技术相比，本发明具有如下的有益效果：
本申请中通过构建的基于空间注意力的隐式神经表示网络将输入图像中的每个网格体素转化为隐式特征表示，并建立隐式特征表示与体素空间坐标位置之间的映射关系；当针对任意上采样倍率对应的图像进行坐标查询时，通过空间注意力的隐式神经表示网络生成层间距任意小的磁共振图像。从而使用一个网络，即可以实现不同倍率(包括非整数)的磁共振图像超分辨率重建，更符合真实临床场景的需求。通过提出的局部感知空间注意力操作，可以从更大范围的上下文中提取有效信息，有效提升图像重建的效果。通过空间感知动态插值方法，可以让模型在性能和效率间取得更好的平衡。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据提供的附图获得其他的附图。通过阅读参照以下附图对非限制性实施例所作的详细描述，本发明的其它特征、目的和优点将会变得更明显：
图1为本申请实施例提供的一种磁共振图像层间超分辨率重建方法的流程图；
图2为本申请实施例提供的SA-INR整体框架的示意图；
图3为本申请实施例提供的LASA的结构示意图；
图4为本申请实施例提供的掩码预测器的结构示意图。
具体实施方式
为使本申请实施例的目的、技术方案和优点更加清楚，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。
需要说明的是，当组件被称为“固定于”另一个组件，它可以直接在另一个组件上或者也可以存在居中的组件。当一个组件被认为是“连接”另一个组件，它可以是直接连接到另一个组件或者可能同时存在居中组件。
除非另有定义，本文所使用的所有的技术和科学术语与属于本申请的技术领域的技术人员通常理解的含义相同。本文中在本申请的说明书中所使用的术语只是为了描述具体的实施例的目的，不是旨在于限制本申请。本文所使用的术语“及/或”包括一个或多个相关的所列项目的任意的和所有的组合。
本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”、“第三”、“第四”等(如果存在)是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本发明的实施例，例如能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
下面以具体地实施例对本发明的技术方案以及本申请的技术方案如何解决上述技术问题进行详细说明。下面这几个具体的实施例可以相互结合，对于相同或相似的概念或过程可能在某些实施例中不再赘述。
下面结合附图，对本申请的一些实施方式作详细说明。在不冲突的情况下，下述的实施例及实施例中的特征可以相互组合。
本申请实施例旨在提供一种磁共振图像层间超分辨率重建方法，能够适用于任意倍率(包括非整数倍率)的超分辨率网络，解决现有技术针对整数倍率的限制(现有超分辨率网络仅能完成整数倍率的超分辨率重建；当磁共振图像的层间距与层内分辨率的比值为非整数时，缺乏适用的方法进行非整数倍率的超分辨率重建，从而无法实现各向同性的体素间距。)以及解决固定倍率的训练不确定性所带来的问题(大多数超分辨率网络是在固定倍率上进行训练。然而，由于临床扫描参数的多样性，磁共振图像的层间距与层内分辨率的比值经常是不确定的)，因此避免了为每个可能的倍率单独训练一个网络这样庞杂的工作，极大地提升了图像处理的效率。
图1为本申请实施例提供的一种磁共振图像层间超分辨率重建方法的流程图，如图1所示，本实施例中的方法可以包括如下步骤：
步骤S101：通过构建的基于空间注意力的隐式神经表示网络将输入图像中的每个网格体素转化为隐式特征表示，并建立隐式特征表示与体素空间坐标位置之间的映射关系。
本实施例中，构建基于空间注意力的隐式神经表示网络(Spatial Attention-based Implicit Neural Representation，SA-INR)；所述基于空间注意力的隐式神经表示网络包括：特征学习模块和解码模块，其中所述特征学习模块用于将输入图像中的每个网格体素用隐式特征进行表示，所述解码模块用于计算新坐标位置的隐式特征表示，并将计算得到的隐式特征映射到体素空间。
本实施例中，体素表达中的体素是二维图像中像素在三维空间中的对应表示。体素化是将一个连续的几何对象转换为一组最接近对象的离散体素的过程。体素可以被视为一个立方体，代表三维网格上均匀间隔的单位样本。通常，体素值映射到0或1，其中0表示空体素，1表示体素中存在深度点。
本实施例中，SA-INR的主要理念是将低分辨率图像表达为3D空间坐标的连续隐式函数。这种函数的特性是，给定一个坐标，它能够返回相应位置的体素值，通过在坐标系统中连续采样，从而生成高分辨率图像。为了实现这一目标，SA-INR网络包含两个核心模块。首先，特征学习模块致力于为输入低分辨率图像中的每个网格体素学习隐式特征表示。其次，解码模块负责计算新坐标位置的隐式特征表示，并将其映射到体素空间。
步骤S102：当针对任意上采样倍率对应的图像进行坐标查询时，通过空间注意力的隐式神经表示网络生成层间距任意小的磁共振图像。
示例性的，在执行步骤S102之前，所述方法还包括：
通过掩码预测器对输入图像进行重要区域检测，输出输入图像中的关键区域。
本实施例中，掩码预测器(Mask Predictor)模块，可以通过学习自动输出对应重要区域的掩码。这种上下文感知的策略确保计算资源被最需要的地方充分利用，从而提高整体性能。此外，该方法在效率和准确性之间取得了平衡，尤其在GPU资源有限的应用场景中显得至关重要。
示例性的，当进行坐标查询时，若对应的坐标位于关键区域内，则采用局部感知空间注意力模块对该坐标相邻像素上下文中获取信息，以输出包含更多特征信息的磁共振图像。
本实施例中，局部感知空间注意力(Local-Aware Spatial Attention，LASA)操作，以更有效地建模查询坐标。LASA带来两个显著的优势。首先，它为查询坐标提供更广泛的感受野，能够从更大范围的相邻像素上下文中获取信息。相较于现有方法使用的简单线性插值，LASA提供了更大的感受野，有助于提高查询坐标导出表示的准确性。其次，LASA允许在相邻表示上进行动态的加权求和，通过注意力操作实现更灵活的局部上下文信息捕获。相较于线性插值使用相同的静态权重求和计算邻居的特征表示，而不考虑具体上下文信息，SA-INR在处理局部特征时更具适应性和精细度。
示例性的，当进行坐标查询时，若对应的坐标不在关键区域内，则采用三线性插值方式提取坐标对应的磁共振图像。
本实施例中，相较于现有方法则对所有体素使用相同的计算方法，SA-INR可以根据每个体素的上下文重要性调整其插值方法。具体而言，对于背景或不太重要的区域，SA-INR采用简单而高效的三线性插值。相反，对于前景或具有高视觉显著性的关键区域，SA-INR采用更先进的方法，如LASA。
需要说明的是，SA-INR包含的特征学习模块和解码模块并不限定于上述的形式，特征学习模块可以采用任意架构的3D卷积神经网络，只要保证图像的空间尺寸不变；同样地，解码模块可以使用不同的线性层设计，只要保证最后输出的通道维数为1。
图2为本申请实施例提供的SA-INR整体框架的示意图，图3为本申请实施例提供的LASA的结构示意图，图4为本申请实施例提供的掩码预测器的结构示意图，如图2～图4所示，si，si+1表示相邻的两张切片，sj表示期望重建的中间切片。fi，fi+1和fj分别表示si，si+1和sj的特征图。LASA是局部空间感知注意力(Local-Aware Spatial Attention)的缩写。zq是fj上对应某个查询坐标的特征向量。M代表指定哪些位置需要执行LASA操作的门控掩码。m表示Mask Predictor的输出。
本实施例提供的磁共振图像层间超分辨率重建方法，通过SA-INR可以自动处理不同倍率(包括非整数)的超分辨率。SA-INR的关键思想是将三维低分辨率图像表示为关于坐标的连续隐式函数，给定一个坐标，函数会返回坐标处对应的体素值。由于坐标是连续的，因此可以基于连续上采样的得到的坐标来重建具有所需切片间距的高分辨率图像。此外，本实施例还提出了一种局部感知空间注意力操作，用来扩大重建时的感受野，增强超分辨率的效果；以及提出一种空间感知的动态插值方法，确保有限的计算资源可以最大程度地被利用。
本实施例，通过使用一个网络，即可以实现不同倍率(包括非整数)的磁共振图像超分辨率重建，更符合真实临床场景的需求。通过提出的局部感知空间注意力操作，可以从更大范围的上下文中提取有效信息，从而提升重建的效果。通过空间感知动态插值方法，可以让模型在性能和效率间取得更好的平衡。
本申请实施例还提供一种磁共振图像层间超分辨率重建装置，包括：图像处理模块，用于通过构建的基于空间注意力的隐式神经表示网络将输入图像中的每个网格体素转化为隐式特征表示，并建立隐式特征表示与体素空间坐标位置之间的映射关系；图像重构模块，用于在针对任意上采样倍率对应的图像进行坐标查询时，通过空间注意力的隐式神经表示网络生成层间距任意小的磁共振图像。
示例性的，所述基于空间注意力的隐式神经表示网络包括：特征学习模块和解码模块，其中，所述特征学习模块用于将输入图像中的每个网格体素用隐式特征进行表示，所述解码模块用于计算新坐标位置的隐式特征表示，并将计算得到的隐式特征映射到体素空间。
示例性的，还包括：图像区域检测模块，用于：
通过掩码预测器对输入图像进行重要区域检测，输出输入图像中的关键区域：其中，所述关键区域包括：前景、高视觉显著性区域。
示例性的，所述图像重构模块，具体用于：
当进行坐标查询时，若对应的坐标位于关键区域内，则采用局部感知空间注意力模块对坐标相邻像素上下文中获取信息，以输出包含更多特征信息的磁共振图像。
示例性的，所述图像重构模块，具体用于：
当进行坐标查询时，若对应的坐标不在关键区域内，则采用三线性插值方式提取坐标对应的磁共振图像。
示例性的，所述特征学习模块包括：3D卷积神经网络，用以输出图像空间尺寸不变的特征图像；
所述解码模块包括各种不同线性层的网络，用以输出通道维数是1的特征图像。
本申请实施例还提供一种磁共振图像层间超分辨率重建设备，包括：处理器和存储器，所述存储器中存储有可执行的程序指令，所述处理器调用所述存储器中的程序指令时，所述处理器用于：执行如图1所示的磁共振图像层间超分辨率重建方法的步骤。
本申请实施例还提供一种计算机可读存储介质，用于存储程序，所述程序被执行时实现如图1所示的磁共振图像层间超分辨率重建方法的步骤。
需要说明的是，所属技术领域的技术人员能够理解，本发明的各个方面可以实现为系统、方法或程序产品。因此，本发明的各个方面可以具体实现为以下形式，即：完全的硬件实施方式、完全的软件实施方式(包括固件、微代码等)，或硬件和软件方面结合的实施方式，这里可以统称为“电路”、“模块”或“平台”。
此外，本申请实施例还提供一种计算机可读存储介质，计算机可读存储介质中存储有计算机执行指令，当用户设备的至少一个处理器执行该计算机执行指令时，用户设备执行上述各种可能的方法。其中，计算机可读介质包括计算机存储介质和通信介质，其中通信介质包括便于从一个地方向另一个地方传送计算机程序的任何介质。存储介质可以是通用或专用计算机能够存取的任何可用介质。一种示例性的存储介质耦合至处理器，从而使处理器能够从该存储介质读取信息，且可向该存储介质写入信息。当然，存储介质也可以是处理器的组成部分。处理器和存储介质可以位于ASIC中。另外，该ASIC可以位于用户设备中。当然，处理器和存储介质也可以作为分立组件存在于通信设备中。
本申请还提供一种程序产品，程序产品包括计算机程序，计算机程序存储在可读存储介质中，服务器的至少一个处理器可以从可读存储介质读取计算机程序，至少一个处理器执行计算机程序使得服务器实施上述本发明实施例任一的方法。
程序产品可以采用一个或多个可读介质的任意组合。可读介质可以是可读信号介质或者可读存储介质。可读存储介质例如可以为但不限于电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。可读存储介质的更具体的例子(非穷举的列表)包括：具有一个或多个导线的电连接、便携式盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。
以上对本发明的具体实施例进行了描述。需要理解的是，本发明并不局限于上述特定实施方式，本领域技术人员可以在权利要求的范围内做出各种变形或修改，这并不影响本发明的实质内容。
Claims (10)
1.一种磁共振图像层间超分辨率重建方法，其特征在于，包括：
步骤1：通过构建的基于空间注意力的隐式神经表示网络将输入图像中的每个网格体素转化为隐式特征表示，并建立隐式特征表示与体素空间坐标位置之间的映射关系；
步骤2：当针对任意上采样倍率对应的图像进行坐标查询时，通过空间注意力的隐式神经表示网络生成层间距任意小的磁共振图像。
2.根据权利要求1所述的磁共振图像层间超分辨率重建方法，其特征在于，所述基于空间注意力的隐式神经表示网络包括：特征学习模块和解码模块，其中，所述特征学习模块用于将输入图像中的每个网格体素用隐式特征进行表示，所述解码模块用于计算新坐标位置的隐式特征表示，并将计算得到的隐式特征映射到体素空间。
3.根据权利要求1所述的磁共振图像层间超分辨率重建方法，其特征在于，在执行步骤2之前，还包括：
通过掩码预测器对输入图像进行重要区域检测，输出输入图像中的关键区域；其中，所述关键区域包括：前景、高视觉显著性区域。
4.根据权利要求3所述的磁共振图像层间超分辨率重建方法，其特征在于，步骤2包括：
当进行坐标查询时，若对应的坐标位于关键区域内，则采用局部感知空间注意力模块对坐标相邻像素上下文中获取信息，以输出包含更多特征信息的磁共振图像。
5.根据权利要求3所述的磁共振图像层间超分辨率重建方法，其特征在于，步骤2包括：
当进行坐标查询时，若对应的坐标不在关键区域内，则采用三线性插值方式提取坐标对应的磁共振图像。
6.根据权利要求2所述的磁共振图像层间超分辨率重建方法，其特征在于，所述特征学习模块包括：3D卷积神经网络，用以输出图像空间尺寸不变的特征图像；
所述解码模块包括各种不同线性层的网络，用以输出通道维数是1的特征图像。
7.一种磁共振图像层间超分辨率重建装置，其特征在于，包括：
图像处理模块，用于通过构建的基于空间注意力的隐式神经表示网络将输入图像中的每个网格体素转化为隐式特征表示，并建立隐式特征表示与体素空间坐标位置之间的映射关系；
图像重构模块，用于在针对任意上采样倍率对应的图像进行坐标查询时，通过空间注意力的隐式神经表示网络生成层间距任意小的磁共振图像。
8.根据权利要求7所述的磁共振图像层间超分辨率重建装置，其特征在于，包括：
所述基于空间注意力的隐式神经表示网络包括：特征学习模块和解码模块，其中，所述特征学习模块用于将输入图像中的每个网格体素用隐式特征进行表示，所述解码模块用于计算新坐标位置的隐式特征表示，并将计算得到的隐式特征映射到体素空间。
9.一种磁共振图像层间超分辨率重建设备，其特征在于，包括：处理器和存储器，所述存储器中存储有可执行的程序指令，所述处理器调用所述存储器中的程序指令时，所述处理器用于：
执行权利要求1至6任一项所述的磁共振图像层间超分辨率重建方法的步骤。
10.一种计算机可读存储介质，用于存储程序，其特征在于，所述程序被执行时实现权利要求1至6任一项所述的磁共振图像层间超分辨率重建方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311843439.6A CN117764831A (zh) | 2023-12-28 | 2023-12-28 | 磁共振图像层间超分辨率重建方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311843439.6A CN117764831A (zh) | 2023-12-28 | 2023-12-28 | 磁共振图像层间超分辨率重建方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN117764831A true CN117764831A (zh) | 2024-03-26 |
Family
ID=90316466
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311843439.6A Pending CN117764831A (zh) | 2023-12-28 | 2023-12-28 | 磁共振图像层间超分辨率重建方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117764831A (zh) |
-
2023
- 2023-12-28 CN CN202311843439.6A patent/CN117764831A/zh active Pending
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN113706686B (zh) | 一种三维点云重建结果补全方法及相关组件 | |
| CN111105352A (zh) | 超分辨率图像重构方法、系统、计算机设备及存储介质 | |
| US10003783B2 (en) | Apparatus for generating a three-dimensional color image and a method for producing a three-dimensional color image | |
| CN113221925B (zh) | 一种基于多尺度图像的目标检测方法及装置 | |
| CN112419150B (zh) | 一种基于双边上采样网络的任意倍数图像超分辨率重建方法 | |
| KR100860968B1 (ko) | 해상도 향상 장치 및 방법 | |
| CN116503551B (zh) | 一种三维重建方法及装置 | |
| CN116797768A (zh) | 全景图像减少现实的方法和装置 | |
| CN115526777A (zh) | 一种盲超分网络建立方法、盲超分方法及存储介质 | |
| CN113807354B (zh) | 图像语义分割方法、装置、设备和存储介质 | |
| CN117593187A (zh) | 基于元学习和Transformer的遥感图像任意尺度超分辨率重建方法 | |
| CN112017113B (zh) | 图像处理方法及装置、模型训练方法及装置、设备及介质 | |
| Zhao et al. | Saliency map-aided generative adversarial network for raw to rgb mapping | |
| CN116563409A (zh) | 一种多尺度空频域特征信息引导的mri加速重建系统 | |
| CN117011139A (zh) | 基于深度学习的人脸超分辨率图形重建方法及系统 | |
| CN103618904B (zh) | 基于像素的运动估计方法及装置 | |
| CN117764831A (zh) | 磁共振图像层间超分辨率重建方法 | |
| CN112561802B (zh) | 连续序列图像的插值方法、插值模型训练方法及其系统 | |
| Jung et al. | Intensity-guided edge-preserving depth upsampling through weighted L0 gradient minimization | |
| CN113947521A (zh) | 基于深度神经网络的图像分辨率转换方法及装置、终端设备 | |
| KR20230111885A (ko) | 이미지 복원 방법 및 장치 | |
| Xiang et al. | Real-time spatial and depth upsampling for range data | |
| CN110738612A (zh) | X光透视图像的降噪方法及计算机可读存储介质 | |
| CN112581362A (zh) | 用于调整图像细节的图像处理方法和装置 | |
| CN117475088B (zh) | 基于极平面注意力的光场重建模型训练方法及相关设备 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination |