论文部分内容阅读
近年来，随着医学成像技术的快速发展，医学图像已经成为医生在临床诊断过程中判断病情以及定位病灶的重要依据。然而受设备成像精度、放射剂量、成像时间以及运动位移等因素的影响，在实际中通常无法直接获得高分辨率、高质量的医学图像。针对该问题最有效的解决方法就是利用超分辨率重建算法，在不改变图像采集条件的前提下提升图像的质量。近几年随着深度学习技术的逐渐成熟，许多学者提出了基于深度卷积神经网络的超分辨率重建算法，这类算法可以通过训练的方式自主学习高低分辨率图像之间的映射关系，并将其应用于重建过程中，从而有效提高了图像重建的精度。然而目前大多数算法都通过不断增加网络的规模和复杂度来达到提升网络性能的目的，没有充分考虑实际应用过程中对于网络训练难度、重建精度以及算法计算复杂度的具体要求。因此本文结合具体的医学图像重建问题，对基于卷积神经网络的超分辨率重建算法展开了研究，主要研究工作如下：
(1)针对二维医学图像的超分辨率问题，提出了一个基于多尺度残差模块、通道注意力机制以及多级特征融合模块的超分辨网络模型。该网络直接以原始的低分辨率图像作为输入，通过网络末端的亚像素卷积模块实现图像的放大，不仅减少了算法的时间复杂度，而且避免了由插值算法引入的误差。在网络中还采用了全局残差连接的方式来减小网络训练的难度，并且提升网络重建的精度。对于网络的主体部分则采用了若干个结合通道注意力机制的多尺度残差模块来构建，相比于传统的残差模块不仅参数数量更少，而且特征提取能力更强。同时，结合超分辨率重建这类底层图像处理问题的特点，在网络中还设计了一个多级特征融合模块，将网络中具有不同抽象级别的信息进行融合，用于最后的图像重建。
(2)针对三维医学图像的超分辨率问题，提出了一个基于多通道输入、深度可分离卷积以及全局残差连接的二维超分辨率网络模型。本文将三维重建问题分解为对不同方向上的一系列二维图像的重建，然后将不同方向上的二维超分辨率图像进行融合得到鲁棒的三维超分辨率结果。首先，为了充分利用三维数据的空间信息，我们将待重建图像的相邻通道图像一起输入网络进行特征信息的提取。其次，考虑到三维医学图像的数据量以及算法的运算量都远大于二维图像，网络的运算速度是算法的关键。因此该算法输入的是原始的低分辨率图像，在网络的末端通过反卷积操作来实现图像的放大。并且采用了深度可分离卷积来构建网络的非线性映射单元，在保证重建精度的前提下可以有效减少计算量。此外，在网络中还增加了全局残差连接来减小图像信息恢复的难度。
本文分别设计了一系列的对比实验来验证上述两个算法的先进性。最终的实验结果表明，相比于已有的网络模型，本文针对二维医学图像设计的超分辨率网络模型在重建精度上有了较大程度的提升，而针对三维医学图像设计的超分辨率网络模型则在重建精度和运行效率上都有了较好的优化。上述结果进一步说明了本文所设计的算法具有很好的实际应用价值。
(1)针对二维医学图像的超分辨率问题，提出了一个基于多尺度残差模块、通道注意力机制以及多级特征融合模块的超分辨网络模型。该网络直接以原始的低分辨率图像作为输入，通过网络末端的亚像素卷积模块实现图像的放大，不仅减少了算法的时间复杂度，而且避免了由插值算法引入的误差。在网络中还采用了全局残差连接的方式来减小网络训练的难度，并且提升网络重建的精度。对于网络的主体部分则采用了若干个结合通道注意力机制的多尺度残差模块来构建，相比于传统的残差模块不仅参数数量更少，而且特征提取能力更强。同时，结合超分辨率重建这类底层图像处理问题的特点，在网络中还设计了一个多级特征融合模块，将网络中具有不同抽象级别的信息进行融合，用于最后的图像重建。
(2)针对三维医学图像的超分辨率问题，提出了一个基于多通道输入、深度可分离卷积以及全局残差连接的二维超分辨率网络模型。本文将三维重建问题分解为对不同方向上的一系列二维图像的重建，然后将不同方向上的二维超分辨率图像进行融合得到鲁棒的三维超分辨率结果。首先，为了充分利用三维数据的空间信息，我们将待重建图像的相邻通道图像一起输入网络进行特征信息的提取。其次，考虑到三维医学图像的数据量以及算法的运算量都远大于二维图像，网络的运算速度是算法的关键。因此该算法输入的是原始的低分辨率图像，在网络的末端通过反卷积操作来实现图像的放大。并且采用了深度可分离卷积来构建网络的非线性映射单元，在保证重建精度的前提下可以有效减少计算量。此外，在网络中还增加了全局残差连接来减小图像信息恢复的难度。
本文分别设计了一系列的对比实验来验证上述两个算法的先进性。最终的实验结果表明，相比于已有的网络模型，本文针对二维医学图像设计的超分辨率网络模型在重建精度上有了较大程度的提升，而针对三维医学图像设计的超分辨率网络模型则在重建精度和运行效率上都有了较好的优化。上述结果进一步说明了本文所设计的算法具有很好的实际应用价值。