Детальная информация

Сверхразрешение(SR)—ценный метод повышения пространственного разрешения МРТ головного мозга, поскольку качество данных и надежность реконструкции имеют решающее значение для последующего анализа. Хотя было предложено множество методов сверхразрешения на основе глубокого обучения, имеющаяся литература в основном сосредоточена на повышении точности реконструкции, в то время как способность моделей сравниваться в различных экспериментальных условиях не была широко изучена. В данном исследовании рассматривается согласованность ранжирования моделей в сверхразрешении МРТ головного мозга. В диссертации не представлена​​какая-либо новая архитектура сверхразрешения, а лишь делается акцент на контролируемой оценке и систематическом исследовании. Три репрезентативные модели, RCAN, RDN и SwinIR, тестируются на наборе данных fastMRI в рамках единой экспериментальной структуры. Для анализа влияния ключевых факторов систематически варьировалось количество обучающих папок/случаев DICOM (500,1000и1500) и бюджет обучения (100 тыс., 200 тыс. и 400 тыс. итераций), что привело к 27 вариантам оценки. Экспериментальные данные показывают, что увеличение бюджета обучения оказывает более определенное влияние на качество реконструкции по сравнению с увеличением количества обучающих папок в пределах исследуемого диапазона. Во всех рассмотренных средах 4× относительный рейтинг моделей также не меняется: RCAN и SwinIR имеют почти одинаковое качество реконструкции, но RCAN несколько лучше в нескольких контролируемых условиях, в то время как RDN, как правило, обеспечивает более низкие значения PSNR и SSIM. Статистический анализ также показывает, что существуют определенные статистически значимые различия, но разница между RCAN и SwinIR практически незначительна. Помимо точности реконструкции, исследование фокусируется на вычислительной эффективности, такой как время обучения, скорость вывода, потребление памяти, размер контрольной точки и сложность модели. Результаты показывают, что существует очевидный компромисс между качеством реконструкции и вычислительными затратами: RCAN обладает хорошим качеством реконструкции, но требует больших вычислительных ресурсов, SwinIR обеспечивает разумный баланс между качеством и эффективностью, а RDN быстрее в процессе вывода, но хуже по показателям PSNR и SSIM. В целом, можно заключить, что ранжирование моделей в сверхразрешении МРТ головного мозга остается стабильным при изменении количества обучающих DICOM-папок/случаев и бюджета обучения при заданных настройках.

Super-resolution (SR) is a valuable methodology in the enhancement of spatial resolution of brain MRI since the quality of data and the reliability of reconstruction are crucial in downstream analysis. Although numerous deep-learning based super-resolution methods have been proposed, available literature has mainly centered on enhancing the accuracy of reconstruction, whereas the ability of models to compare under different experimental environments was not extensively studied. The research examines the consistency of model rankings in brain MRI super-resolution. The thesis is not introducing any novel SR architecture but only emphasizing controlled assessment and systematic examination. The three representative models, RCAN, RDN, and SwinIR, are tested on the fastMRI data set under a unified experimental framework. To analyze the influence of key factors, the number of training DICOM folders/cases (500, 1000, and 1500) and the training budget (100k, 200k, and 400k iterations) are systematically varied, resulting in 27 evaluation settings. The experimental evidence demonstrates that there is a more definite impact of increased training budget on reconstruction quality as compared to increased quantity of training folders within the tested range. In all the 4×environments considered, the relative ranking of models also does not change: RCAN and SwinIR have almost equal reconstruction quality, but RCAN is somewhat better in a few controlled settings, whereas RDN tends to provide lower PSNR and SSIM. The statistical analysis also shows that there are certain differences which are statistically significant, but the difference between RCAN and SwinIR is practically insignificant. Besides reconstruction accuracy, the research focuses on computational efficiency, such as training time, inference speed, memory consumption, checkpoint size, and model complexity. The findings show that there are obvious trade-offs between reconstruction quality and computational costs: RCAN has good reconstruction quality but is more computationally intensive, SwinIR has a fair balance between quality and efficiency, and RDN is faster in inference but poorer in PSNR and SSIM. On the whole, it can be concluded that model ranking in brain MRI super-resolution remains stable with respect to variations in the number of training DICOM folders/cases and the training budget under the given settings.