English(EN) Layer Selection in Feature-Based Losses Affects Image Quality and Microstructural Consistency in Deep Learning Super-Resolution of Brain Diffusion MRI

深度学习MRI超分辨率质量取决于特征损失层选择

作者 PulseAugur 编辑部 · [1 个来源] · 2026-05-15 12:23

研究人员探讨了基于特征的损失函数中不同层如何影响基于深度学习的脑扩散MRI超分辨率的质量。他们发现，在VGG16网络中使用更深的层会在超分辨率图像和扩散参数中引入网格状伪影，而最浅的层即使在9倍分辨率提升的情况下也能产生与真实情况一致的结果。该研究强调了在基于特征的损失中仔细选择贡献层以避免伪影并确保扩散MRI应用的准确性的关键需求。 AI

影响强调了深度学习在医学成像准确性方面特定架构选择的重要性。

排序理由学术论文，详细介绍了深度学习在医学成像领域的具体技术发现。[lever_c_demoted from research: ic=1 ai=1.0]

在 arXiv cs.CV 阅读 →

AI 生成摘要 · Google Gemini · 来自 1 个来源。我们如何撰写摘要 →

报道来源 [1]

arXiv cs.CV TIER_1 English(EN) · Rene Werner · 2026-05-15 12:23

Layer Selection in Feature-Based Losses Affects Image Quality and Microstructural Consistency in Deep Learning Super-Resolution of Brain Diffusion MRI

Clinical application of high-resolution diffusion MRI is hindered by hardware limitations and prohibitive scan times, motivating computational super-resolution. This study investigates the efficacy of a feature-based loss function in preserving diffusion signal consistency in dee…

报道来源 [1]

Layer Selection in Feature-Based Losses Affects Image Quality and Microstructural Consistency in Deep Learning Super-Resolution of Brain Diffusion MRI

相关实体

相关话题