一种注意力机制的多尺度特征融合MRI重建

针对深度卷积神经网络重建磁共振图像存在的高频细节纹理丢失问题,本文提出一种注意力机制的多尺度特征融合磁共振成像(magnetic resonance imaging,MRI)重建.在U-Net模型基础上,采用参考图像的特征,约束低分辨磁共振图像的重建,并引入多尺度特征挤压注意力(multi-scale feature squeeze attention,MFSA)模块,建立跨通道信息交互,在通道维度上对多尺度特征层进行特征提取并融合,强化高频细节纹理的特征信息,提高磁共振图像重建的分辨率.同时,为验证所提注意力模块的有效性,保持其他参数不变,在测试集上分别对网络加入的注意力模块前后进行对比实验.实验结果表明,本文所提出的MFSA,能提高图像的重建质量,使图像获得更丰富的信息,各项指标均达到最优,重建结果纹理清晰,接近于真实图像,更能满足人类的视觉感受,而且网络在峰值信噪比和结构相似性等质量评价指标方面均得到较大改善,在定量评估上明显优于其他网络,而且通过不同尺度注意力相融合,使网络在小数据集上就可明显提升图像的感知质量.该研究具有较大的应用价值.