Resumen

La resonancia magnética (RM) se utiliza ampliamente en la detección y el diagnóstico de enfermedades. Las imágenes de RM de alta resolución ayudan a los médicos a localizar lesiones y diagnosticar enfermedades. Sin embargo, la adquisición de imágenes de RM de alta resolución requiere una intensidad de campo magnético elevada y un tiempo de exploración prolongado, lo que provocará molestias a los pacientes e introducirá fácilmente artefactos de movimiento, con la consiguiente degradación de la calidad de la imagen. Por lo tanto, la resolución de las imágenes de hardware ha alcanzado su límite. Basándose en esta situación, se propone un marco unificado basado en la superresolución de aprendizaje profundo para transferir los métodos de aprendizaje profundo más avanzados de imágenes naturales a la superresolución de MRI. En comparación con el método tradicional de súper resolución de imágenes, el método de súper resolución de aprendizaje profundo tiene una capacidad de extracción y caracterización de características más fuerte, puede aprender conocimiento previo de un gran número de datos de muestra y tiene un efecto de reconstrucción de imágenes más estable y excelente. Proponemos un marco unificado de superresolución de RM basado en aprendizaje profundo, que cuenta con cinco métodos actuales de aprendizaje profundo con el mejor efecto de superresolución. Además, se construyó un conjunto de datos de imágenes de RM de alta-baja resolución con las escalas de ×2, ×3 y ×4, que cubren 4 partes del cráneo, la rodilla, la mama y la cabeza y el cuello. Los resultados experimentales muestran que el marco unificado propuesto de superresolución de aprendizaje profundo tiene un mejor efecto de reconstrucción de los datos que los métodos tradicionales y proporciona un conjunto de datos estándar y un punto de referencia experimental para la aplicación de la superresolución de aprendizaje profundo en imágenes de RM.

• Materias:Insuficiencia cardíaca Plataforma de servicios Filtro de orden óptimo Características clínicas Osteoporosis
• Subjects:Heart failure Platform services Optimal order filtering Clinical features Osteoporosis
• Palabras claves:aprendizaje profundo superresolución, resolución de imágenes de RM, método de resolución, superresolución, marco unificado, métodos actuales de aprendizaje profundo, excelente efecto de reconstrucción de imágenes, alta intensidad de campo magnético, conjunto de datos de imágenes de RM de baja resolución, superresolución de RM
• Keywords:deep learning super resolution, resolution MR images, resolution method, super resolution, unified framework, current deep learning methods, excellent image reconstruction effect, high magnetic field intensity, low resolution MR image dataset, MRI super resolution