基于深度學(xué)習(xí)的3D磁共振圖像超分辨率重建算法研究
發(fā)布時(shí)間:2024-03-26 20:03
磁共振成像(Magnetic Resonance Imaging,MRI)技術(shù)是一種無損傷、軟組織對(duì)比度高和多參數(shù)的成像方法,相比較其他的成像技術(shù)例如X線,超聲等具有獨(dú)特優(yōu)勢(shì),因此迅速成為最重要的臨床診斷工具之一。在圖像后處理和對(duì)身體器官的病理評(píng)估過程中,高分辨率磁共振圖像是必不可少的。但是磁共振圖像的分辨率卻受到例如硬件條件,患者舒適程度,信噪比和掃描時(shí)間等多種因素的限制。一種高效且具有成本效益的解決方法是將單幅圖像超分辨率(Single image super resolution,SISR)技術(shù)應(yīng)用在磁共振圖像上。單幅圖像超分辨率是指應(yīng)用計(jì)算機(jī)技術(shù),在不改變硬件條件的情況下,通過單幅低分辨率圖像恢復(fù)出高分辨率圖像。目前,隨著深度學(xué)習(xí)技術(shù)在計(jì)算機(jī)視覺領(lǐng)域的廣泛應(yīng)用,基于卷積神經(jīng)網(wǎng)絡(luò)(Convolution Neural Network,CNN)的圖像超分辨率重建技術(shù)在3D-MR圖像超分辨率重建上取得了顯著的效果。本文重點(diǎn)研究基于深度學(xué)習(xí)的3D-MR圖像超分辨率重建算法,主要工作如下:(1)針對(duì)基于深度學(xué)習(xí)的3D-MR圖像超分辨重建算法大量使用3D卷積,從而造成深度卷積網(wǎng)絡(luò)參數(shù)量過大...
【文章頁數(shù)】:61 頁
【學(xué)位級(jí)別】:碩士
【文章目錄】:
摘要
abstract
第一章 緒論
1.1 研究背景及意義
1.2 研究現(xiàn)狀及發(fā)展
1.2.1 基于插值的3D-MR圖像超分辨率重建算法
1.2.2 基于重構(gòu)的3D-MR圖像超分辨率重建算法
1.2.3 基于學(xué)習(xí)的3D-MR圖像超分辨率重建算法
1.3 本文的主要工作
1.4 本文的章節(jié)安排
第二章 深度學(xué)習(xí)和3D-MR圖像超分辨率重建相關(guān)知識(shí)
2.1 圖像降質(zhì)模型
2.2 圖像超分辨率重建性能指標(biāo)
2.2.1 峰值信噪比
2.2.2 結(jié)構(gòu)相似性
2.2.3 平均意見得分
2.3 深度學(xué)習(xí)相關(guān)知識(shí)
2.3.1 深度學(xué)習(xí)介紹
2.3.2 人工神經(jīng)網(wǎng)絡(luò)
2.3.3 卷積神經(jīng)網(wǎng)絡(luò)
2.3.4 卷積神經(jīng)網(wǎng)絡(luò)的參數(shù)量和計(jì)算成本
2.4 基于深度學(xué)習(xí)的3D-MR圖像超分辨率重建方法
2.4.1 SRCNN-3D算法
2.4.2 ReCNN算法
2.4.3 DCSRN算法
2.5 本章小結(jié)
第三章 面向3D-MR圖像的3D可分離卷積研究與實(shí)現(xiàn)
3.1 引言
3.2 卷積的空間分解
3.3 基于殘差學(xué)習(xí)的3D可分離卷積
3.4 基于S3D-ReCNN網(wǎng)絡(luò)的超分辨率重建算法
3.5 實(shí)驗(yàn)準(zhǔn)備
3.5.1 軟硬件平臺(tái)
3.5.2 數(shù)據(jù)集
3.5.3 預(yù)處理過程
3.5.4 實(shí)驗(yàn)設(shè)置
3.6 相關(guān)實(shí)驗(yàn)
3.6.1 重建性能對(duì)比和分析
3.6.2 損失函數(shù)對(duì)重建性能的影響
3.7 本章小結(jié)
第四章 基于S3D-RBDN的超分辨率重建算法研究與實(shí)現(xiàn)
4.1 引言
4.2 算法原理分析
4.3 S3D-RBDN網(wǎng)絡(luò)結(jié)構(gòu)
4.3.1 基于3D可分離卷積的殘差密集塊
4.3.2 塊間密集連接
4.4 相關(guān)實(shí)驗(yàn)
4.4.1 S3D-RDB數(shù)目對(duì)重建性能的影響
4.4.2 消融實(shí)驗(yàn)
4.4.3 重建性能對(duì)比和分析
4.5 本章小結(jié)
第五章 總結(jié)與展望
致謝
參考文獻(xiàn)
本文編號(hào):3939611
【文章頁數(shù)】:61 頁
【學(xué)位級(jí)別】:碩士
【文章目錄】:
摘要
abstract
第一章 緒論
1.1 研究背景及意義
1.2 研究現(xiàn)狀及發(fā)展
1.2.1 基于插值的3D-MR圖像超分辨率重建算法
1.2.2 基于重構(gòu)的3D-MR圖像超分辨率重建算法
1.2.3 基于學(xué)習(xí)的3D-MR圖像超分辨率重建算法
1.3 本文的主要工作
1.4 本文的章節(jié)安排
第二章 深度學(xué)習(xí)和3D-MR圖像超分辨率重建相關(guān)知識(shí)
2.1 圖像降質(zhì)模型
2.2 圖像超分辨率重建性能指標(biāo)
2.2.1 峰值信噪比
2.2.2 結(jié)構(gòu)相似性
2.2.3 平均意見得分
2.3 深度學(xué)習(xí)相關(guān)知識(shí)
2.3.1 深度學(xué)習(xí)介紹
2.3.2 人工神經(jīng)網(wǎng)絡(luò)
2.3.3 卷積神經(jīng)網(wǎng)絡(luò)
2.3.4 卷積神經(jīng)網(wǎng)絡(luò)的參數(shù)量和計(jì)算成本
2.4 基于深度學(xué)習(xí)的3D-MR圖像超分辨率重建方法
2.4.1 SRCNN-3D算法
2.4.2 ReCNN算法
2.4.3 DCSRN算法
2.5 本章小結(jié)
第三章 面向3D-MR圖像的3D可分離卷積研究與實(shí)現(xiàn)
3.1 引言
3.2 卷積的空間分解
3.3 基于殘差學(xué)習(xí)的3D可分離卷積
3.4 基于S3D-ReCNN網(wǎng)絡(luò)的超分辨率重建算法
3.5 實(shí)驗(yàn)準(zhǔn)備
3.5.1 軟硬件平臺(tái)
3.5.2 數(shù)據(jù)集
3.5.3 預(yù)處理過程
3.5.4 實(shí)驗(yàn)設(shè)置
3.6 相關(guān)實(shí)驗(yàn)
3.6.1 重建性能對(duì)比和分析
3.6.2 損失函數(shù)對(duì)重建性能的影響
3.7 本章小結(jié)
第四章 基于S3D-RBDN的超分辨率重建算法研究與實(shí)現(xiàn)
4.1 引言
4.2 算法原理分析
4.3 S3D-RBDN網(wǎng)絡(luò)結(jié)構(gòu)
4.3.1 基于3D可分離卷積的殘差密集塊
4.3.2 塊間密集連接
4.4 相關(guān)實(shí)驗(yàn)
4.4.1 S3D-RDB數(shù)目對(duì)重建性能的影響
4.4.2 消融實(shí)驗(yàn)
4.4.3 重建性能對(duì)比和分析
4.5 本章小結(jié)
第五章 總結(jié)與展望
致謝
參考文獻(xiàn)
本文編號(hào):3939611
本文鏈接:http://sikaile.net/shoufeilunwen/mpalunwen/3939611.html
最近更新
教材專著