基于多模态数据融合的MR图像超分辨重建

作者：胡彦婷; 樊孝喜; 陈建军^*

来源：北华大学学报(自然科学版), 2023, 24(06): 810-819.

• 超分辨重建
• MR多模态成像
• 注意力机制
• 特征融合
• 卷积神经网络

核磁共振(Magnetic Resonance, MR)成像是临床医学诊断的主要影像工具之一，但受成像条件、扫描时间等因素限制，MR成像设备获取的影像存在分辨率低的问题.超分辨率重建(Super-Resolution, SR)技术是提高MR影像分辨率经济、高效的手段.然而，多数MR图像超分辨重建方法或者忽略了MR多参数成像特点，仅利用其单一模态数据进行重建，导致重建效果欠佳；或者仅是简单地在模型输入端进行多模态数据融合，未充分利用多模态数据在多层级特征空间的关联性，从而限制了SR模型重建性能的提升.为更高效地利用多模态信息提高MR影像分辨率，构建了基于多模态数据融合的MR图像超分辨重建网络(Multi-contrast Data Fusion Network for MRI Super-Resolution, MDFN).结合注意力机制和残差结构，构建特征融合模块(Feature Fusion Module, FFM),实现对多模态数据融合后特征的重新校准，有效增强高价值信息的重建作用；同时，通过级联的残差块和特征融合模块(FFM),构建特征融合残差组(Residual Group with Feature Fusion, RGFF),并通过级联RGFF模块，实现多模态特征在多层级特征空间的有效融合.在MR数据测试集上的综合试验结果表明，所构建的模型能以低的模型参数量和计算复杂度获得在主观质量和客观评价上都优于其他方法的重建结果.

• 出版日期2023
• 单位新疆医科大学