论文部分内容阅读
由于具有实时、安全等优点,超声成像是临床诊断中最常用的诊断方法。超声图像往往分辨率低,对比度低,还包含斑点噪声,利用超分辨率技术提高其质量正成为研究热点。FSRCNN是目前报道的超分辨率技术中效果较好的方法,但直接用来重建医学超声图像,效果并不理想。本文针对医学超声图像对FSRCNN算法进行改进,获得了较好的超声图像重建结果:在图像放大三倍的情况下,待训练参数减少了896个,其PSNR比原算法提高约1.3 dB。本论文的主要研究工作如下:(1)介绍了超声图像超分辨率技术的国内外现状,介绍了超声成像和基于深度学习的超分辨率技术基本概念。(2)比较了SRCNN和FSRCNN两种深度学习的方法对医学超声图像进行超分辨率重建的效果,选择抗噪声能力强,重建时间短的FSRCNN算法作为讨论的对象。(3)将FSRCNN直接用来重建医学超声图像,重建结果并不理想。本文采用标准图像库建立了FSRCNN的训练和测试的仿真模型。通过对图像库中所有图像添加不同强度的噪声,分析了噪声强度对FSRCNN重建图像质量的影响,发现FSRCNN模型对于待重建图像和训练集图像的质量存在要求,本文采用Rob的盲解卷复原算法预处理原始超声图像,复原后的超声图像在纹理细节清晰度明显提高,图像质量达到上述要求。使用由预处理后的训练集进行训练获得的权值来重建超声图像,与超声图像重建前相比,重建图像的PSNR提高约0.54 dB。(4)为了进一步提高重建质量,本文以医学超声图像为研究对象,建立了FSRCNN的仿真模型,对FSRCNN中特征提取层卷积核个数d、卷积核大小b以及解卷积层卷积核大小s进行了优化,发现当d=56,b=3*3,s=9*9,超声图像的重建质量最好,在图像放大三倍的情况下,待训练参数减少了896个。(5)本文针对医学超声图像对FSRCNN算法进行改进:首先是输入超声图像,进行预处理,送入优化的FSRCNN进行训练,得到权值参数;然后利用该权值参数对超声图像进行重建,得到最终的重建超声图像。最后,本文利用重庆医科大学超声影像学研究所提供的超声图像验证了CNN的重建策略。