基于深度學習網絡的醫學核磁共振成像超分辨率重構實驗

劉家奇，劉環宇，李君寶

前言

核磁共振成像（Magnetic Resonance Imaging,MRI）是斷層成像的一種，它利用磁共振現象從人體中獲得電磁信號，并重建出人體信息［1］。MRI通過對靜磁場中的人體施加某種特定頻率的射頻脈沖，使人體中的氫質子受到激勵而發生磁共振現象。停止脈沖后，質子在弛豫過程中產生核磁共振（Magnetic Resonance,MR）信號。通過對MR 信號的接收、空間編碼和圖像重建等處理過程，生成MR圖像。MRI已應用于全身各系統的成像診斷，包括顱腦、脊髓、心臟大血管、關節骨骼、軟組織及盆腔等。MR 與PET和SPECT 不同的是其不用注射放射性同位素就可成像，同時MRI 可以得到任何方向的斷層圖像，三維立體圖像，甚至可以得到空間-波譜分布的四維圖像。但由于MR成像的特殊性，硬件成像分辨率已經達到極限，磁場和輻射時間的增加將會帶來蛋白滅活等對人體不可逆轉的傷害。而高分辨率的MR 圖像有助于醫生對病灶的定位及疾病的診斷。

因此，面向MR 圖像超分辨的軟件方法具有重大意義，在不對人體造成傷害的情況下，實現MR 圖像分辨率的提升。圖像進行超分辨重建的方法主要包括基于插值［2］、基于重建［3-5］、基于字典學習［6］以及基于深度學習［7］的方法。無論哪種方法都需要MR 數據集作為支撐。目前，開源的MR圖像數據主要包括或來源：NYU FastMRI［8］、IXI Dataset［9］、TCIA［10］以及mridata.org［11］。為什么開源的MR 數據也不少，還需要再構建一個新的MR圖像數據集？

從表1可以看出，目前開源的MR 圖像具有以下局限：（1）開源MR圖像雖然應用方向眾多，但是缺少針對圖像超分辨方向的數據集；……