基于深度学习的3D磁共振图像超分辨率重建算法研究

发布时间：2024-03-26 20:03

　　磁共振成像(Magnetic Resonance Imaging,MRI)技术是一种无损伤、软组织对比度高和多参数的成像方法,相比较其他的成像技术例如X线,超声等具有独特优势,因此迅速成为最重要的临床诊断工具之一。在图像后处理和对身体器官的病理评估过程中,高分辨率磁共振图像是必不可少的。但是磁共振图像的分辨率却受到例如硬件条件,患者舒适程度,信噪比和扫描时间等多种因素的限制。一种高效且具有成本效益的解决方法是将单幅图像超分辨率(Single image super resolution,SISR)技术应用在磁共振图像上。单幅图像超分辨率是指应用计算机技术,在不改变硬件条件的情况下,通过单幅低分辨率图像恢复出高分辨率图像。目前,随着深度学习技术在计算机视觉领域的广泛应用,基于卷积神经网络(Convolution Neural Network,CNN)的图像超分辨率重建技术在3D-MR图像超分辨率重建上取得了显著的效果。本文重点研究基于深度学习的3D-MR图像超分辨率重建算法,主要工作如下:(1)针对基于深度学习的3D-MR图像超分辨重建算法大量使用3D卷积,从而造成深度卷积网络参数量过大...

【文章页数】：61 页

【学位级别】：硕士

【文章目录】：
摘要
abstract
第一章 绪论
    1.1 研究背景及意义
    1.2 研究现状及发展
        1.2.1 基于插值的3D-MR图像超分辨率重建算法
        1.2.2 基于重构的3D-MR图像超分辨率重建算法
        1.2.3 基于学习的3D-MR图像超分辨率重建算法
    1.3 本文的主要工作
    1.4 本文的章节安排
第二章 深度学习和3D-MR图像超分辨率重建相关知识
    2.1 图像降质模型
    2.2 图像超分辨率重建性能指标
        2.2.1 峰值信噪比
        2.2.2 结构相似性
        2.2.3 平均意见得分
    2.3 深度学习相关知识
        2.3.1 深度学习介绍
        2.3.2 人工神经网络
        2.3.3 卷积神经网络
        2.3.4 卷积神经网络的参数量和计算成本
    2.4 基于深度学习的3D-MR图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 本章小结
第三章 面向3D-MR图像的3D可分离卷积研究与实现
    3.1 引言
    3.2 卷积的空间分解
    3.3 基于残差学习的3D可分离卷积
    3.4 基于S3D-ReCNN网络的超分辨率重建算法
    3.5 实验准备
        3.5.1 软硬件平台
        3.5.2 数据集
        3.5.3 预处理过程
        3.5.4 实验设置
    3.6 相关实验
        3.6.1 重建性能对比和分析
        3.6.2 损失函数对重建性能的影响
    3.7 本章小结
第四章 基于S3D-RBDN的超分辨率重建算法研究与实现
    4.1 引言
    4.2 算法原理分析
    4.3 S3D-RBDN网络结构
        4.3.1 基于3D可分离卷积的残差密集块
        4.3.2 块间密集连接
    4.4 相关实验
        4.4.1 S3D-RDB数目对重建性能的影响
        4.4.2 消融实验
        4.4.3 重建性能对比和分析
    4.5 本章小结
第五章 总结与展望
致谢
参考文献



本文编号：3939611