Resumen: Proponemos una arquitectura novedosa llamada MLP-Srgan, que es una red adversaria generativa de super resolución de una sola dimensión (SRGAN) que utiliza mezcladores de perceptrones de múltiples capas (mezclas de MLP) junto con capas convolucionales para mejorar la dirección. MLP-SRGAN está capacitado y validado utilizando una resonancia magnética de estilo de alta resolución (HR) del conjunto de datos MSSEG2 Challenge. El método se aplicó a tres conjuntos de datos de estilo multicéntrico (Cain, ADNI, CCNA) de imágenes con baja resolución espacial en la dimensión de corte para examinar el rendimiento de los datos clínicos resistidos (invisibles). Los resultados resistentes se comparan con varias redes SR de última generación. Para las imágenes con verdades terrestres de alta resolución (HR), se utilizan una relación de señal máxima a ruido (PSNR) y el índice de similitud estructural (SSIM) para medir el rendimiento de muestreo. Se propusieron varias métricas de calidad de imagen estructural y sin referencia para cuantificar la nitidez (resistencia al borde), el ruido (entropía) y la desenfoque (información de baja frecuencia) en ausencia de verdades terrestres. Los resultados muestran los resultados de MLP-SRGAN en bordes más nítidos, menos desenfoque, conserva más textura y detalles anatómicos finos, con menos parámetros, tiempo de entrenamiento/evaluación más rápido y un tamaño de modelo más pequeño que los métodos existentes. Código para capacitación e inferencia MLP-Srgan, generadores de datos, modelos y métricas de calidad de imagen sin referencia estarán disponibles en esta URL HTTPS.
Publicado Originalme en export.arxiv.org El 7 de septiembre de 2025.
Ver Fuente Original
