基于深度学习的MRI超分辨率算法研究
发布时间：2021-10-30 05:26
现如今,磁共振成像已然离不开高科技成像设备,分辨率高的磁共振成像对成像环境和设备要求高,花费成本大,利用超分辨率技术对其进行重建能够降低设备成本,具有很高的性价比。而基于深度学习的超分辨率算法重建出的图像细节清晰,噪声及伪影信息少,取得了比其他超分辨率算法显著的优势。目前,在使用深度学习对磁共振成像进行超分辨率重建时,存在两方面难题:一方面是如何在图像分辨率放大的同时获得更好的细节收益,且不放大噪声,减弱噪声对重建图像的影响;另一方面是如何使用一个模型同时实现图像在不同倍率下的重建。因此,本文的主要工作如下:（1）提出了基于深度可分离卷积和宽残差网络的磁共振成像超分辨率重建算法。针对目前的神经网络重建出的图像细节及纹理信息模糊的问题,作了以下改进:首先,构建了基于深度可分离卷积的宽残差块,不仅拓宽了网络的宽度,而且增强了特征在网络中的传播;之后,使用了组归一化的方法对参数进行归一化,加快了网络的收敛并提升了网络的性能。（2）提出了基于宽残差和多尺度网络的磁共振成像超分辨率重建算法。针对目前的神经网络只能针对图像的固定倍率进行重建的问题,作了以下改进:首先,基于多尺寸的卷积核,利用宽残差...
【文章来源】：中北大学山西省
【文章页数】：78 页
【学位级别】：硕士
【部分图文】：
线性低秩卷积Figure3-2Linearlowrankconvolution
中北大学学位论文384.2基于宽残差和多尺度网络的MRI超分辨率算法MSRN的作者认为，目前的超分辨率神经网络倾向于构造更深、更复杂的网络结构，而随着网络深度的加深，会增加计算资源的消耗，使得训练过程过于艰难[66]；同时，大多数超分辨率网络存在难以复现，对特征利用不足且可扩展性差的问题。李等人提出的多尺寸残差块结构，不仅增强了对图像特征的提取，而且简化了网络结构。该结构能够获取图像的局部多尺度特征，并将每个残差块的输出合并以进行全局特征融合，最大程度的利用了图像的特征信息，同时解决了特征在传输过程中消失的问题。此外，多尺寸残差块结构简单有效，可迁移性强，易于迁移到其他超分辨率网络模型中。因此，本章将结合MSRN中的多尺寸残差块和3.2.1中提到的宽残差结构，重新构建残差块；并基于MSRN网络进行改进，运用多尺度特征提取和多尺度上采样结合的方式达到单个模型实现多尺度超分辨率的目的。4.2.1多尺度残差的图像超分辨率网络算法MSRN的网络结构如图4-1所示，首先使用3×3的卷积核对LR图像执行卷积，接着将获取到的特征图通过N个残差块，并将每个残差块输出的结果都传递到网络的最后进行合并，之后使用1×1的卷积层作为瓶颈层以融合全局特征，最后网络使用亚像素层（PixelShuffle）进行上采样，最终将LR图像重建为HR图像。图4-1MSRN的网络结构Figure4-1MSRNnetworkstructure
中北大学学位论文39如图4-2所示，MSRN算法的整个网络结构分为特征提取（FeatureExtraction）和重建（Reconstruction）两部分。其中，特征提取部分由多尺寸残差块（Multi-scaleresidualblock，MSRB）和分层特征融合结构（HierarchicalFeatureFusionStructure，HFFS）组成。图4-2多尺寸残差块Figure4-2Multi-sizeresidualblock如图4-2所示，MSRB能够提取不同尺寸的图像特征，其结构包含两个部分：局部残差学习（Localresiduallearning）[67]和多尺度特征融合（Multi-scalefeaturesfusion）[68]。局部残差学习指的是快捷连接和逐元素相加的操作，该操作能够降低计算复杂度并提高网络的性能。多尺度特征融合的基本思想是构建一个双支路网络，不同的分支使用不同尺寸的卷积核，从而能够以不同的比例提取图像的特征，并使得不同支路之间的特征信息可以彼此共享。该操作的定义为：1=(3×311+1)(4-1)1=(5×511+1)(4-2)2=(3×32[1,1]+2)(4-3)2=(5×52[11]+2)(4-4)′=1×13[2,2]+3)(4-5)其中和分别表示权重和偏差，上标表示它们所位于的层数，下标表示在该层中使用的卷积核的大校()=max(0,)表示ReLU函数，[1,1]，[11]，[2,2]表示串联操作。表示输入到MSRB的特征图的数量。因此，第一个卷积层的输入和输出具有M个特征图，第二个卷积层具有2M个特征图。之后所有这些特征图都被级联并输入到1×1卷积层，该层将这些特征图的数量减少为M，因此MSRB的输入和输出具有相同数量的特征图。该独特的体系结构能够将多个MSRB一起使用。
【参考文献】：
期刊论文
[1]多阶段融合网络的图像超分辨率重建[J]. 沈明玉,俞鹏飞,汪荣贵,杨娟,薛丽霞. 中国图象图形学报. 2019(08)
[2]Deep Learning Based Single Image Super-resolution:A Survey[J]. Viet Khanh Ha,Jin-Chang Ren,Xin-Ying Xu,Sophia Zhao,Gang Xie,Valentin Masero,Amir Hussain. International Journal of Automation and Computing. 2019(04)
[3]基于深度可分离卷积和宽残差网络的医学影像超分辨率重建[J]. 高媛,王晓晨,秦品乐,王丽芳. 计算机应用. 2019(09)
[4]基于深度学习的图像超分辨率重建技术的研究[J]. 刘永信,段添添. 科技与创新. 2018(23)
[5]基于可分离残差模块的精确实时语义分割[J]. 路文超,庞彦伟,何宇清,王建. 激光与光电子学进展. 2019(05)
[6]深度学习研究综述[J]. 张荣,李伟平,莫同. 信息与控制. 2018(04)
[7]医学影像中的分子成像技术[J]. 吴睿,刘存芳,葛红光,张强,宋娟,史娟,田光辉. 影像科学与光化学. 2018(04)
[8]深度学习原理及应用综述[J]. 付文博,孙涛,梁藉,闫宝伟,范福新. 计算机科学. 2018(S1)
[9]基于深度学习的初级战场态势理解研究[J]. 廖鹰,易卓,胡晓峰. 指挥与控制学报. 2017(01)
[10]基于非下采样轮廓波变换遥感影像超分辨重建方法[J]. 周靖鸿,周璀,朱建军,樊东昊. 光学学报. 2015(01)
硕士论文
[1]医学图像的超分辨率重建算法研究[D]. 黄吉庆.贵州大学 2019
[2]基于深度学习的单张低分辨率图像的超分辨率技术的研究[D]. 刘一胶.北京邮电大学 2019
[3]基于深度学习的航拍图像场景解析方法研究[D]. 潘蓉.西安电子科技大学 2018
[4]监所视频监控系统目标检测及视频拼接软件设计[D]. 顾梦奇.浙江大学 2018
[5]单幅运动模糊图像复原技术研究[D]. 胡丽娟.哈尔滨理工大学 2013
本文编号：3466140
【文章来源】：中北大学山西省
【文章页数】：78 页
【学位级别】：硕士
【部分图文】：
线性低秩卷积Figure3-2Linearlowrankconvolution
中北大学学位论文384.2基于宽残差和多尺度网络的MRI超分辨率算法MSRN的作者认为，目前的超分辨率神经网络倾向于构造更深、更复杂的网络结构，而随着网络深度的加深，会增加计算资源的消耗，使得训练过程过于艰难[66]；同时，大多数超分辨率网络存在难以复现，对特征利用不足且可扩展性差的问题。李等人提出的多尺寸残差块结构，不仅增强了对图像特征的提取，而且简化了网络结构。该结构能够获取图像的局部多尺度特征，并将每个残差块的输出合并以进行全局特征融合，最大程度的利用了图像的特征信息，同时解决了特征在传输过程中消失的问题。此外，多尺寸残差块结构简单有效，可迁移性强，易于迁移到其他超分辨率网络模型中。因此，本章将结合MSRN中的多尺寸残差块和3.2.1中提到的宽残差结构，重新构建残差块；并基于MSRN网络进行改进，运用多尺度特征提取和多尺度上采样结合的方式达到单个模型实现多尺度超分辨率的目的。4.2.1多尺度残差的图像超分辨率网络算法MSRN的网络结构如图4-1所示，首先使用3×3的卷积核对LR图像执行卷积，接着将获取到的特征图通过N个残差块，并将每个残差块输出的结果都传递到网络的最后进行合并，之后使用1×1的卷积层作为瓶颈层以融合全局特征，最后网络使用亚像素层（PixelShuffle）进行上采样，最终将LR图像重建为HR图像。图4-1MSRN的网络结构Figure4-1MSRNnetworkstructure
中北大学学位论文39如图4-2所示，MSRN算法的整个网络结构分为特征提取（FeatureExtraction）和重建（Reconstruction）两部分。其中，特征提取部分由多尺寸残差块（Multi-scaleresidualblock，MSRB）和分层特征融合结构（HierarchicalFeatureFusionStructure，HFFS）组成。图4-2多尺寸残差块Figure4-2Multi-sizeresidualblock如图4-2所示，MSRB能够提取不同尺寸的图像特征，其结构包含两个部分：局部残差学习（Localresiduallearning）[67]和多尺度特征融合（Multi-scalefeaturesfusion）[68]。局部残差学习指的是快捷连接和逐元素相加的操作，该操作能够降低计算复杂度并提高网络的性能。多尺度特征融合的基本思想是构建一个双支路网络，不同的分支使用不同尺寸的卷积核，从而能够以不同的比例提取图像的特征，并使得不同支路之间的特征信息可以彼此共享。该操作的定义为：1=(3×311+1)(4-1)1=(5×511+1)(4-2)2=(3×32[1,1]+2)(4-3)2=(5×52[11]+2)(4-4)′=1×13[2,2]+3)(4-5)其中和分别表示权重和偏差，上标表示它们所位于的层数，下标表示在该层中使用的卷积核的大校()=max(0,)表示ReLU函数，[1,1]，[11]，[2,2]表示串联操作。表示输入到MSRB的特征图的数量。因此，第一个卷积层的输入和输出具有M个特征图，第二个卷积层具有2M个特征图。之后所有这些特征图都被级联并输入到1×1卷积层，该层将这些特征图的数量减少为M，因此MSRB的输入和输出具有相同数量的特征图。该独特的体系结构能够将多个MSRB一起使用。
【参考文献】：
期刊论文
[1]多阶段融合网络的图像超分辨率重建[J]. 沈明玉,俞鹏飞,汪荣贵,杨娟,薛丽霞. 中国图象图形学报. 2019(08)
[2]Deep Learning Based Single Image Super-resolution:A Survey[J]. Viet Khanh Ha,Jin-Chang Ren,Xin-Ying Xu,Sophia Zhao,Gang Xie,Valentin Masero,Amir Hussain. International Journal of Automation and Computing. 2019(04)
[3]基于深度可分离卷积和宽残差网络的医学影像超分辨率重建[J]. 高媛,王晓晨,秦品乐,王丽芳. 计算机应用. 2019(09)
[4]基于深度学习的图像超分辨率重建技术的研究[J]. 刘永信,段添添. 科技与创新. 2018(23)
[5]基于可分离残差模块的精确实时语义分割[J]. 路文超,庞彦伟,何宇清,王建. 激光与光电子学进展. 2019(05)
[6]深度学习研究综述[J]. 张荣,李伟平,莫同. 信息与控制. 2018(04)
[7]医学影像中的分子成像技术[J]. 吴睿,刘存芳,葛红光,张强,宋娟,史娟,田光辉. 影像科学与光化学. 2018(04)
[8]深度学习原理及应用综述[J]. 付文博,孙涛,梁藉,闫宝伟,范福新. 计算机科学. 2018(S1)
[9]基于深度学习的初级战场态势理解研究[J]. 廖鹰,易卓,胡晓峰. 指挥与控制学报. 2017(01)
[10]基于非下采样轮廓波变换遥感影像超分辨重建方法[J]. 周靖鸿,周璀,朱建军,樊东昊. 光学学报. 2015(01)
硕士论文
[1]医学图像的超分辨率重建算法研究[D]. 黄吉庆.贵州大学 2019
[2]基于深度学习的单张低分辨率图像的超分辨率技术的研究[D]. 刘一胶.北京邮电大学 2019
[3]基于深度学习的航拍图像场景解析方法研究[D]. 潘蓉.西安电子科技大学 2018
[4]监所视频监控系统目标检测及视频拼接软件设计[D]. 顾梦奇.浙江大学 2018
[5]单幅运动模糊图像复原技术研究[D]. 胡丽娟.哈尔滨理工大学 2013
本文编号：3466140
本文链接：https://www.wllwen.com/shoufeilunwen/xixikjs/3466140.html
