Rethinking Diffusion Model for Multi-Contrast MRI Super-Resolution

最近，扩散模型（DM）已经被应用于磁共振成像（MRI）超分辨率（SR）重建中，展现出令人印象深刻的表现，尤其是在详细重建方面。然而，目前基于DM的SR重建方法仍然面临以下问题：（1）它们需要大量迭代来重建最终图像，这是低效的并消耗大量计算资源。（2）这些方法重建的结果通常与真实的高分辨率图像不对齐，导致重建的MR图像出现明显的失真。为了解决上述问题，我们提出了一种高效的多对比度MRI SR扩散模型，名为DiffMSR。具体而言，我们在高度紧凑的低维潜在空间中应用DM来生成具有高频详细信息的先验知识。高度紧凑的潜在空间确保DM只需要进行几次简单的迭代就能产生准确的先验知识。此外，我们设计了Prior-Guide Large Window Transformer（PLWformer）作为DM的解码器，它可以扩展感受野，同时充分利用DM生成的先验知识，以确保重建的MR图像保持不失真。对公共和临床数据集进行的大量实验表明，我们的DiffMSR优于现有的最先进方法。

本论文致力于解决MRI超分辨率重建中扩散模型方法需要大量迭代且结果易出现失真的问题。

论文提出了一种名为DiffMSR的高效扩散模型，采用高度紧凑的低维潜在空间生成具有高频细节信息的先验知识，通过先验知识生成器和PLWformer解码器相结合的方式，扩展了感受野并充分利用了先验知识，从而保证了重建的MRI图像不失真。

论文在公共和临床数据集上进行了广泛实验，证明DiffMSR方法优于现有的最先进的方法。值得关注的是，DiffMSR方法具有高效性和精度，并且在低维空间中生成的先验知识可用于其他MRI重建应用中。

近期相关研究包括：1.《FastMRI: An Open Dataset and Benchmarks for Accelerated MRI》；2.《Deep Learning for Magnetic Resonance Image Reconstruction: A Review》；3.《Magnetic Resonance Image Super-Resolution Using Convolutional Neural Networks》。