醫(yī)學(xué)CT圖像的超分辨率重構(gòu)研究具有較大的實用價值。針對CT圖像由于設(shè)備等原因存在的細(xì)節(jié)模糊,邊緣不清晰、感知質(zhì)量差等問題,提出一種多次上下采樣的深度方格卷積網(wǎng)絡(luò)。通過上下采樣的二維結(jié)構(gòu),拓寬網(wǎng)絡(luò)寬度與深度,增強(qiáng)不同尺度信息的深層依賴關(guān)系,促進(jìn)不同尺度下的信息交互,從而充分利用原始圖像信息重構(gòu)出更多的高分辨率細(xì)節(jié)信息。采用全局深度聯(lián)結(jié)與局部殘差相結(jié)合的方式,將淺層網(wǎng)絡(luò)信息反饋至深層網(wǎng)絡(luò),實現(xiàn)全局網(wǎng)絡(luò)信息共享,提高訓(xùn)練時淺層網(wǎng)絡(luò)特征映射在深層網(wǎng)絡(luò)中的利用率,突出深度網(wǎng)絡(luò)訓(xùn)練優(yōu)勢。實驗結(jié)果表明,通過峰值信噪比與結(jié)構(gòu)相似性指數(shù)將本文模型的重構(gòu)結(jié)果和當(dāng)前最先進(jìn)的模型結(jié)果進(jìn)行比較,該模型能恢復(fù)出最優(yōu)的高分辨率圖像,同時得到較高的重構(gòu)圖像感知質(zhì)量。 

【文章來源】：長春理工大學(xué)學(xué)報(自然科學(xué)版). 2020,43(01)

【文章頁數(shù)】：7 頁

【部分圖文】：

重構(gòu)網(wǎng)絡(luò)結(jié)構(gòu)

上下采樣網(wǎng)絡(luò)與水平網(wǎng)絡(luò)

通過實驗將本文模型與當(dāng)前的主流算法進(jìn)行比較，對各種模型的恢復(fù)質(zhì)量進(jìn)行定量與定性的測試。采用相同的醫(yī)學(xué)CT圖像數(shù)據(jù)集對論文中提出的網(wǎng)絡(luò)重新訓(xùn)練，主要包括SRResNet,EDSR,RCAN[12]以及基于GAN網(wǎng)絡(luò)的DPGAN[13]。在不同采樣因子下通過計算每幀圖像的PSNR,SSIM指數(shù)來定量評估模型，圖像質(zhì)量對比如表1所示。從表1可以發(fā)現(xiàn)，本文模型在各個采樣因子下都能夠獲得最優(yōu)結(jié)果，PSNR和SSIM值都超過目前的主流模型。當(dāng)采樣因子為4時，本文模型相比于最優(yōu)DPGAN網(wǎng)絡(luò)，PSNR提高了1.65 dB。當(dāng)采樣因子為3時，本文模型相比提高了1.08 dB。當(dāng)采樣因子為2時，本文模型相比提高了0.65 dB。綜上可得本文模型在高采樣因子的情況下表現(xiàn)較好，證明本文模型能夠較好的挖掘高低分辨率之間對應(yīng)信息的深層關(guān)系，從而顯著增強(qiáng)恢復(fù)的高分辨率圖像質(zhì)量。

【參考文獻(xiàn)】：
期刊論文
[1]基于超分辨率重建的車牌圖像增強(qiáng)算法[J]. 山顯響,劉云清.  長春理工大學(xué)學(xué)報(自然科學(xué)版). 2018(03)
[2]基于卷積神經(jīng)網(wǎng)絡(luò)的無人機(jī)循跡方法[J]. 陳思銳,劉智,耿振野.  長春理工大學(xué)學(xué)報(自然科學(xué)版). 2018(01)
[3]基于雙線性插值的圖像縮放算法的研究與實現(xiàn)[J]. 王森,楊克儉.  自動化技術(shù)與應(yīng)用. 2008(07)
[4]基于三次樣條插值的圖像放大的離散算法[J]. 王忠謙,朱寧.  蘇州大學(xué)學(xué)報(自然科學(xué)版). 2005(02)



本文編號：3389057