Beyond MR Image Harmonization: Resolution Matters Too

磁共振成像（MRI）通常用于临床监测身体情况。由于扫描仪硬件、软件和协议设计的差异，MRI成像存在较大的变异性。理想情况下，处理算法应该能够稳健地应对这种变异性，但实际情况并非总是如此。这就需要进行图像协调以克服域漂移问题，以便进行下游分析，如分割。大多数图像协调模型都侧重于获取参数，如反转时间或重复时间，但它们忽略了MRI成像中的一个重要方面——分辨率。在本文中，我们使用预训练的协调算法评估了图像分辨率对协调的影响。我们模拟了从3D获取的1mm3等向性MRI图像中不同切片厚度和间隙的2D获取，并展示了当分辨率发生变化时，最先进的图像协调算法的性能如何变化。我们讨论了图像分辨率的最理想情况，包括当无法使用3D成像时的采集方向，这在许多临床扫描仪中很常见。我们的结果表明，低分辨率图像的协调不能考虑到采集分辨率和方向的变化。超分辨率可以用于缓解分辨率变化，但并不总是使用。我们的方法可以推广到帮助评估多个任务的图像采集分辨率的影响。在考虑预处理步骤和结果的可信度时，确定预训练算法的限制非常重要。

这篇论文旨在评估MRI图像分辨率对图像协调的影响，并探讨最理想的图像分辨率和获取方向。

本文通过模拟不同切片厚度和间隙的2D采集，评估了预先训练的图像协调算法在不同分辨率下的性能变化。结果表明，低分辨率图像的协调不能考虑采集分辨率和方向变化，可以使用超分辨率来缓解分辨率变化。

实验使用了预先训练的图像协调算法，并模拟了2D采集，探讨了MRI图像分辨率对图像协调的影响。结果表明，低分辨率图像的协调不能考虑采集分辨率和方向变化，可以使用超分辨率来缓解分辨率变化。

最近的相关研究包括：1. “DeepHarmony: A deep learning approach to contrast harmonization across scanner changes”；2. “Multi-center MRI harmonization using a one-class adversarial network”