乳腺癌是當今世界女性最多發(fā)的惡性腫瘤,其發(fā)病率和死亡率呈逐年上升趨勢。如何利用腫瘤的分子病理信息改進乳腺癌的早期檢測和治療方案是當務之急。乳腺癌的組織學分級與Ki-67表達均對乳腺癌的預后治療提供了重要指導信息。磁共振成像（Magnetic resonance imaging,MRI）是一種多參數(shù)成像,其中動態(tài)增強磁共振成像（Dynamic contrast enhancement MRI,DCE-MRI）和彌散加權成像（Diffusion weighted imaging,DWI）的聯(lián)合應用可以提高乳腺癌診斷的準確性。DCE-MRI不僅可以顯示出病變組織的形態(tài)學特征,也可以反映病變組織的微觀信息,其影像分辨率較高,但需提前注射造影劑。DWI能反映腫瘤的血管結構和含水量等生物學特性,但是其影像分辨率較低。對于DWI而言,由于技術的限制,獲得理想分辨率的影像并不容易。低分辨率的影像往往會對專業(yè)醫(yī)師的準確診斷造成阻礙。超分辨率（super-resolution,SR）重建技術通過從低分辨率（low-resolution,LR）圖像生成高分辨率（high-resolution,HR）圖像來解... 

【文章來源】：杭州電子科技大學浙江省

【文章頁數(shù)】：65 頁

【學位級別】：碩士

【部分圖文】：

SRCNN網(wǎng)絡結構圖

杭州電子科技大學碩士學位論文10圖2.1SRCNN網(wǎng)絡結構圖SRCNN的結構分為以下三個部分：第一步為特征提取和表示：對LR圖像進行特征提取，并表示為特征圖，具體操作如式（2.7）：111F(Y)f(WYB)(2.7)其中Y為輸入的LR圖像，1W是大小為11ff的卷積核，*表示卷積運算，1B為偏置項，f(x)表示ReLU激活函數(shù)。第二步為非線性映射：將第一步提取的特征圖映射至HR圖像所需的特征圖，具體操作如式（2.8）：2212F(Y)f(WF(Y)B)(2.8)其中2W是大小為22ff的卷積核，2B為偏置項。第三步HR圖像的重建：將第二階段映射后的特征恢復為HR圖像，具體操作如式（2.9）：3323F(Y)f(WF(Y)B)(2.9)其中3W是大小為33ff的卷積核，3B為偏置項，3F(Y)表示最終的HR圖像。（2）深度遞歸卷積網(wǎng)絡（Deeply-RecursiveConvolutionalNetwork，DRCN）2016年，韓國首爾國立大學的JiwonKim[52]等人提出了一種DRCN模型。和SRCNN相比，DRCN通過采用更多的卷積層來增加了網(wǎng)絡的感受野（41×41），同時為了防止產(chǎn)生過多的網(wǎng)絡參數(shù)，DRCN提出使用遞歸神經(jīng)網(wǎng)絡（RecursiveNeuralNetwork,RNN）。DRCN的網(wǎng)絡結構如圖2.2所示：圖2.2DRCN網(wǎng)絡結構圖

杭州電子科技大學碩士學位論文11與SRCNN類似，DRCN也主要分為三個部分：第一部分是“Embeddingnetwork”模塊，用來做特征提取和表示。第二部分是“Inferencenetwork”模塊，用來做特征的非線性變換，這個模塊采用RNN實現(xiàn)網(wǎng)絡參數(shù)的共享，從而避免產(chǎn)生過多網(wǎng)絡參數(shù)。第三部分是“Reconstructionnetwork”模塊，即從特征圖中重建出HR圖像。（3）深度卷積超分辨率網(wǎng)絡（Super-ResolutionUsingVeepDeepConvolutionalNetworks,VDSR）2016年11月，韓國首爾國立大學的Kim等人[53]又提出一種VDSR模型，其網(wǎng)絡架構如圖2.3所示：圖2.3VDSR網(wǎng)絡結構圖VDSR模型主要有以下幾點優(yōu)勢：擴大感受野，可以獲得更多圖像信息；將殘差思想引入到超分辨任務中，學習LR圖像和HR圖像之間的殘差，提高收斂速度；可以設置不同尺度參數(shù)，對超分辨放大倍數(shù)進行調(diào)整。（4）超分辨率生成對抗網(wǎng)絡（Super-ResolutionGenerativeAdversarialNetwork，SRGAN）2017年，Ledig等人將GAN的思想引入超分辨率重建任務提出了SRGAN模型。SRGAN有兩點創(chuàng)新：1）引入GAN中博弈對抗的思想；2）采用感知損失（包括對抗損失和內(nèi)容損失）替代MSE損失，使得生成器能夠生成紋理細節(jié)更加豐富的SR圖像。SRGAN的最終目標是產(chǎn)生一個生成器模型，生成和原始HR圖像最接近的SR圖像。本論文第三章將對SRGAN進行詳細介紹。2.5超分辨率影像評價指標SR圖像重建之后需要對其進行質(zhì)量評價。目前有兩類評價指標：主觀評價指標和客觀評價指標。其中，主觀評價指標關注的是人自身對重建圖像的視覺評價，一般采用平均主觀意

【參考文獻】：
期刊論文
[1]圖像質(zhì)量評價:融合視覺特性與結構相似性指標[J]. 朱新山,姚思如,孫彪,錢永軍.  哈爾濱工業(yè)大學學報. 2018(05)
[2]圖像超分辨率重建的研究進展[J]. 曾凱,丁世飛.  計算機工程與應用. 2017(16)
[3]圖像域自適應線性自回歸MRI圖像客觀質(zhì)量提升算法研究[J]. 武博,李文志,張旭,段娟,孫智,梁志遠,張楠.  北京生物醫(yī)學工程. 2016(06)
[4]DCE-MRI原理及臨床應用情況[J]. 王艾博,邊杰.  中國臨床醫(yī)學影像雜志. 2016(06)
[5]基于空間FCM與MRF方法的乳腺MRI序列三維病灶分割研究[J]. 張承杰,厲力華.  中國生物醫(yī)學工程學報. 2014(02)
[6]全數(shù)字化乳腺鉬靶X線攝影在乳腺癌診斷中的研究進展[J]. 劉偉娟,黃飛.  中國中西醫(yī)結合影像學雜志. 2013(05)
[7]超分辨率圖像重建方法綜述[J]. 蘇衡,周杰,張志浩.  自動化學報. 2013(08)
[8]超分辨率重建算法綜述[J]. 劉娟娟.  科技信息. 2013(08)
[9]惡性腫瘤生物特性與Ki67基因表達的關系研究進展[J]. 韋祝新,王紹豐.  中國醫(yī)藥導刊. 2011(08)
[10]基于ITK的醫(yī)學圖像配準的應用[J]. 謝昱銳,謝明元,楊玲.  計算機仿真. 2010(03)

碩士論文
[1]基于深度學習的單張低分辨率圖像的超分辨率技術的研究[D]. 劉一膠.北京郵電大學 2019
[2]基于T2WI和DCE-MRI影像特征融合的乳腺癌組織學分級預測研究[D]. 謝素丹.杭州電子科技大學 2019
[3]基于多參數(shù)影像和多任務學習方法的乳腺癌分級及Ki-67表達預測研究[D]. 趙文芮.杭州電子科技大學 2019
[4]基于生成對抗網(wǎng)絡的聲學圖像超分辨率研究[D]. 梁雪燦.哈爾濱工程大學 2019
[5]生成對抗網(wǎng)絡的圖像超分辨率重建[D]. 高春波.浙江理工大學 2019
[6]基于深度學習的醫(yī)學影像多特征融合分類算法研究[D]. 王齊耀.武漢理工大學 2018
[7]基于DCE-MRI的乳腺腫瘤異質(zhì)性區(qū)域分割方法及其在Ki-67表達預測中應用[D]. 程虎.杭州電子科技大學 2018



本文編號：2949880