⚠️ 以下所有内容总结都来自于 大语言模型的能力，如有错误，仅供参考，谨慎使用
🔴 请注意：千万不要用于严肃的学术场景，只能用于论文阅读前的初筛！
💗 如果您觉得我们的项目对您有帮助 ChatPaperFree ，还请您给我们一些鼓励！⭐️ HuggingFace免费体验
2025-11-22 更新
CD-DPE: Dual-Prompt Expert Network based on Convolutional Dictionary Feature Decoupling for Multi-Contrast MRI Super-Resolution
Authors:Xianming Gu, Lihui Wang, Ying Cao, Zeyu Deng, Yingfeng Ou, Guodong Hu, Yi Chen
Multi-contrast magnetic resonance imaging (MRI) super-resolution intends to reconstruct high-resolution (HR) images from low-resolution (LR) scans by leveraging structural information present in HR reference images acquired with different contrasts. This technique enhances anatomical detail and soft tissue differentiation, which is vital for early diagnosis and clinical decision-making. However, inherent contrasts disparities between modalities pose fundamental challenges in effectively utilizing reference image textures to guide target image reconstruction, often resulting in suboptimal feature integration. To address this issue, we propose a dual-prompt expert network based on a convolutional dictionary feature decoupling (CD-DPE) strategy for multi-contrast MRI super-resolution. Specifically, we introduce an iterative convolutional dictionary feature decoupling module (CD-FDM) to separate features into cross-contrast and intra-contrast components, thereby reducing redundancy and interference. To fully integrate these features, a novel dual-prompt feature fusion expert module (DP-FFEM) is proposed. This module uses a frequency prompt to guide the selection of relevant reference features for incorporation into the target image, while an adaptive routing prompt determines the optimal method for fusing reference and target features to enhance reconstruction quality. Extensive experiments on public multi-contrast MRI datasets demonstrate that CD-DPE outperforms state-of-the-art methods in reconstructing fine details. Additionally, experiments on unseen datasets demonstrated that CD-DPE exhibits strong generalization capabilities.
多对比度磁共振成像（MRI）超分辨率技术旨在利用从不同对比度获取的参考图像中的结构信息，从低分辨率（LR）扫描重建高分辨率（HR）图像。该技术提高了解剖细节和软组织分化的清晰度，对于早期诊断和临床决策至关重要。然而，不同模态之间固有的对比度差异给有效使用参考图像纹理来指导目标图像重建带来了根本性的挑战，通常导致特征融合不理想。为了解决这个问题，我们提出了一种基于卷积字典特征解耦（CD-DPE）策略的多对比度MRI超分辨率双提示专家网络。具体来说，我们引入了一个迭代卷积字典特征解耦模块（CD-FDM），将特征分离为跨对比度和内对比度组件，从而减少冗余和干扰。为了充分融合这些特征，我们提出了一种新型的双提示特征融合专家模块（DP-FFEM）。该模块使用频率提示来指导选择相关的参考特征，并将其合并到目标图像中，而自适应路由提示则确定融合参考和目标特征的最佳方法，以提高重建质量。在公共多对比度MRI数据集上的大量实验表明，CD-DPE在重建细节方面优于现有最先进的方法。此外，在未见过的数据集上的实验表明，CD-DPE具有很强的泛化能力。
论文及项目相关链接
PDF This paper has been accepted by AAAI, but due to the final camera-ready version not being finalized, there are still some expression errors. It will be re-published after correction
Summary
该文本介绍了多对比度的磁共振成像超分辨率技术，旨在利用高分辨率参考图像的结构信息，从低分辨率扫描重建高分辨率图像。文章提出了一种基于卷积字典特征解耦的双提示专家网络来解决不同对比模式下的固有对比度差异问题，从而提高MRI超分辨率的效果。实验表明，该技术在公共多对比MRI数据集上表现出优异的性能，并在未见数据集上展现出强大的泛化能力。
Key Takeaways
- 多对比磁共振成像超分辨率技术旨在从低分辨率扫描重建高分辨率图像，利用高分辨率参考图像的结构信息。
- 提出的基于卷积字典特征解耦的双提示专家网络可以解决不同对比模式下的固有对比度差异问题。
- 引入的迭代卷积字典特征解耦模块可以将特征分离为跨对比度和内部对比度成分，从而减少冗余和干扰。
- 提出的双提示特征融合专家模块使用频率提示来指导选择相关的参考特征，并将其合并到目标图像中。
- 自适应路由提示确定融合参考和目标特征的最佳方法，以提高重建质量。
- 在公共多对比MRI数据集上的实验表明，所提出的网络在重建细节方面优于现有技术。