SOUP-GAN: повышение разрешения МР-изображений с помощью генеративных состязательных сетей

Растёт потребность в медицинских изображениях высокого разрешения (ВР) для клинических и научных задач. Качество изображения неизбежно приходится сопоставлять с длительностью исследования, которая, в свою очередь, влияет на комфорт пациента, стоимость обследования, дозу и выраженность артефактов, обусловленных движением. Во многих задачах, связанных с анализом изображений, для получения мультипланарных реконструкций или трёхмерных изображений обычно повышают кажущееся пространственное разрешение в плоскости, перпендикулярной исходной. Сверхразрешение одиночного изображения — перспективный метод получения изображений высокого разрешения на основе глубокого обучения, позволяющий повысить разрешение двумерного изображения, однако работ по сверхразрешению трёхмерных изображений немного. Кроме того, в литературе предложено использовать перцептивную функцию потерь, которая по сравнению с попиксельными функциями потерь лучше учитывает текстурные детали и границы за счёт сопоставления семантических расстояний в многомерном пространстве признаков предварительно обученной двумерной сети (например, VGG). Однако неясно, как обобщить этот подход на трёхмерные медицинские изображения и каковы связанные с этим последствия. В настоящей работе предложен метод SOUP-GAN — генеративная состязательная сеть, оптимизированная для сверхразрешения и настроенная с использованием перцептивной функции потерь, — предназначенный для получения более тонких срезов, то есть повышения разрешения в плоскости Z, с устранением алиасинга и размытости. По результатам качественного и количественного сравнения предложенный метод превосходит другие традиционные методы повышения разрешения и ранее опубликованные методы сверхразрешения медицинских изображений. Кроме того, изучена способность модели обобщаться на произвольно выбранные пользователем коэффициенты сверхразрешения и различные методы визуализации. Наша модель демонстрирует перспективность в качестве нового метода трёхмерной интерполяции со сверхразрешением и может найти применение в клинической практике и научных исследованиях. SOUPGAN