基于深度学习的磁共振图像超分辨率算法的研究

发布时间：2022-12-08 18:52

　　磁共振成像是医学成像中重要的成像方式之一,它对人体没有辐射伤害,能够对检查部位进行三维成像。空间分辨率是磁共振（MR）图像的重要参数之一,高分辨率图像拥有更清晰的图像细节,能够很好地反映检查部位的病变情况,因此在临床诊断中发挥着重要作用。然而,MR图像的分辨率与多种因素相互制约,分辨率越高,图像的信噪比越低,同时扫描时间会越长。超分辨率技术是提高MR图像分辨率最有效的方法,能够在不改变硬件条件的基础上,完成低分辨率到高分辨率图像的转换,因此受到了广泛的关注。本文主要采用深度学习方法对MR图像的超分辨率算法进行了研究。首先,本文提出了一种新型网络结构（HybridNet）用于提高MR图像的分辨率,该网络结构在密集卷积块的基础上进行改进,引入了多通道结构提取丰富的MR图像特征。本研究在多个MR数据集上进行了实验,实验结果表明该算法不仅能够重建出高质量MR图像,还能降低网络的计算复杂度,提高网络的重建效率。此外,本研究还利用未预训练过的MR数据集对网络进行了测试,测试结果证明了 HybridNet具有较好地鲁棒性和泛化能力,能够重建出清晰的高分辨率图像。在实际应用中,人们经常需要对图像进行不... 

【文章页数】：68 页

【学位级别】：硕士

【文章目录】：
摘要
ABSTRACT
第1章 绪论
    1.1 研究背景及意义
    1.2 国内外研究现状
    1.3 本文主要研究内容
    1.4 本章小结
第2章 理论基础
    2.1 深度学习基础
        2.1.1 卷积神经网络
        2.1.2 网络训练方法
        2.1.3 元学习
    2.2 磁共振图像基础
        2.2.1 k空间
        2.2.2 图像视野(FOV)
        2.2.3 图像的退化
    2.3 图像质量评估方法
        2.3.1 主观评价
        2.3.2 客观评价
    2.4 本章小结
第3章 基于卷积神经网络的磁共振图像超分辨率算法
    3.1 特征提取方法
        3.1.1 残差连接模块
        3.1.2 密集卷积块
    3.2 基于卷积神经网络的超分辨率算法
        3.2.1 多通道密集块
        3.2.2 网络结构
    3.3 实验设置
        3.3.1 数据准备
        3.3.2 网络实现细节
        3.3.3 关键参数的选择
        3.3.4 残差连接验证
    3.4 实验结果分析
    3.5 泛化能力验证
    3.6 本章小结
第4章 多放大因子的磁共振图像超分辨率算法
    4.1 上采样方法
        4.1.1 转置卷积
        4.1.2 亚像素卷积
        4.1.3 多放大因子上采样模块
    4.2 多放大因子的超分辨率算法
        4.2.1 权重预测网络
        4.2.2 超分辨率网络
    4.3 实验设置
        4.3.1 数据准备
        4.3.2 网络训练细节
    4.4 实验结果与分析
    4.5 本章小结
第5章 总结与展望
    5.1 工作总结
    5.2 展望
参考文献
致谢
在读期间发表的学术论文与取得的研究成果


【参考文献】：
期刊论文
[1]基于改进的深度卷积神经网络的单图像超分辨率重建[J]. 刘世豪,李军.  青岛大学学报(自然科学版). 2019(01)
[2]结合卷积与转置卷积特征的模糊车牌复原方法[J]. 杨剑,张涛,宋文爱,宋超峰.  科学技术与工程. 2018(17)
[3]基于MAP的单帧字符图像超分辨率重建[J]. 李展,陈清亮,彭青玉,张庆丰,李伟祥.  电子学报. 2015(01)
[4]多参数磁共振成像在前列腺癌诊断中的应用[J]. 任逢春,杨汉丰,杜勇.  中华腔镜泌尿外科杂志(电子版). 2013(02)
[5]医学图像插值算法的研究[J]. 许为华,尹学松.  计算机仿真. 2006(01)
[6]基于小波的医学图像插值[J]. 黄海赟,戚飞虎,陈剑,姚志洪.  自动化学报. 2002(05)



本文编号：3713935