基于多尺度残差网络的CT图像超分辨率重建
为了将超分辨率重建算法应用于医学影像领域,提升各类医学影像的分辨率,针对当前主流算法网络结构和分辨率提升倍数的尺度单一性问题,提出了一种应用于CT图像的多尺度残差网络模型.首先,通过级联多层残差块构建模型框架,残差块内采用3种尺度的卷积核提取低分辨率图像的细节特征.然后,将特征图融合在一个维度进行特征映射和数据降维,并将多尺度特征信息导入下一残差块.最后,将网络学习到的残差图与低分辨率图像融合,重建高分辨率图像.采用经过多种放大倍数处理的CT图像对网络进行混合训练,实现了一个模型可以同时支持多种倍数的分辨率提升.实验结果表明:在2,3,4倍放大因子下,该模型重建的CT图像PSNR平均较VDSR算法高0.87,0.83,1.16 dB.因此,本文模型有效提升了CT图像的超分辨率重建效果,更锐利地恢复了其细节特征,同时大大提升了算法实用性.
医学图像、超分辨率重建、多尺度特征、残差网络、深度学习
34
TP391.4(计算技术、计算机技术)
安徽省科技重大专项17030901053
2019-12-04(万方平台首次上网日期,不代表论文的发表时间)
共7页
1006-1012