Dr. Sc., Professor
д-р техн. наук, проф.
PhD Student
аспирант
The restoration process of MRI images of a patient’s abdominal region is considered based on multi-task learning, including the creation of super-resolution images and noise reduction using deep learning methods. An improved RIRGAN model is proposed by adding a noise reduction module that compensates for additive noise and nonlinear noise. The proposed multi-task model called MT-RIRGAN is trained using a complex loss function consisting of pixel loss, perceptual loss, adversarial loss, and total variation loss. Experiments demonstrate good recovery results of MRI images while preserving the original visual structures important from the point of view of medical diagnostics.
Рассматривается процесс восстановления МРТ-снимков брюшной области на основе мультизадачного обучения, включающего создание снимков сверхвысокого разрешения и шумоподавления с применением методов глубокого обучения. Предлагается усовершенствованная модель RIRGAN за счет добавления модуля шумоподавления, компенсирующего аддитивные и нелинейные шумы. Предлагаемая мультизадачная модель MT-RIRGAN обучается с помощью сложной функции потерь, состоящей из потерь пикселов, потерь восприятия, состязательных потерь и потерь общей вариации. Эксперименты демонстрируют хорошие показатели восстановления МРТ-снимков с сохранением исходных визуальных структур, важных с точки зрения медицинской диагностики.