Key points are not available for this paper at this time.
Kürzlich wurden Diffusionsmodelle (DM) in der Magnetresonanztomographie (MRI) Super-Resolution (SR) Rekonstruktion angewandt und zeigten beeindruckende Leistungen, insbesondere hinsichtlich detaillierter Rekonstruktion. Allerdings stehen die aktuellen DM-basierten SR-Rekonstruktionsmethoden noch vor folgenden Problemen: (1) Sie benötigen eine große Anzahl von Iterationen zur Rekonstruktion des endgültigen Bildes, was ineffizient ist und erhebliche Rechenressourcen verbraucht. (2) Die von diesen Methoden rekonstruierten Ergebnisse sind oft nicht mit den realen hochauflösenden Bildern ausgerichtet, was zu auffälligen Verzerrungen in den rekonstruierten MR-Bildern führt. Um die genannten Probleme zu adressieren, schlagen wir ein effizientes Diffusionsmodell für Multi-Kontrast MRI SR vor, genannt DiffMSR. Konkret wenden wir DM in einem hochkompakten, niedrigdimensionalen latenten Raum an, um Vorwissen mit hochfrequenten Detailinformationen zu erzeugen. Der hochkompakte latente Raum stellt sicher, dass DM nur wenige einfache Iterationen benötigt, um genaues Vorwissen zu erzeugen. Zusätzlich entwerfen wir den Prior-Guide Large Window Transformer (PLWformer) als Decoder für DM, der das rezeptive Feld erweitern und gleichzeitig das von DM erzeugte Vorwissen vollständig nutzen kann, um sicherzustellen, dass das rekonstruierte MR-Bild unverzerrt bleibt. Umfangreiche Experimente an öffentlichen und klinischen Datensätzen zeigen, dass unser DiffMSR die Methoden des aktuellen Stands der Technik übertrifft.
Li et al. (Sat,) untersuchten diese Fragestellung.