

【荐读】基于多尺度残差网络与正则化约束的MR图像超分辨算法

汉斯出版社

2021-06-02

导读：点击查看详情！

基于多尺度残差网络与正则化约束的MR图像超分辨算法

MR Image Super-Resolution Using Multi-Scale Residual Networks with Regularization Norm

作者：

蔡言：上海大学理学院数学系，上海

关键词:

超分辨重建；卷积神经网络；多尺度残差；正则化；Super-Resolution Reconstruction；Convolutional Neural Network；Multi-Scale Residual Module；Regularization

项目基金：

国家自然科学基金项(1197010603)。

原文链接：

https://doi.org/10.12677/PM.2021.115104

基于多尺度残差网络与正则化约束的MR图像超分辨算法

(节选)

磁共振成像(MRI)是临床实践中广泛使用的医学成像工具，通常用于一些疾病的诊断和治疗。空间分辨率是MR最重要的成像参数之一，清晰的磁共振成像图像可以提供丰富的结构细节信息，便于早期准确的诊断。但MR图像的分辨率受多种环境因素限制，想要更高的空间分辨率往往需要依靠减少SNR或者增加扫描时间的方式来实现。

在汉斯出版社《理论数学》期刊中，有学者对图像进行超分辨率重建技术的研究，来提高医疗核磁共振图像的分辨率和质量。近年来，随着机器学习特别是深度学习的发展，在超分辨重建问题上体现出极大的价值。基于学习的理念，这种方法学习了低分辨率图像与高分辨率图像之间的映射关系，用来重建高分辨率图像。

一般的超分辨网络中鲜少运用到模型先验信息，超分辨网络也很少运用到多尺度信息。本文提出的算法有以下三点贡献：1)在损失函数中添加全变分正则化项来降低生成图像的噪声；2)网络结构中添加多尺度残差模块，在后续网络层结构中补充更多图像的高频特征；3)本算法的结构相对于先前的网络在性能上有显著提升。

为了验证我们的方法对大脑核磁共振图像数据集的影响，将此方法与其他超分辨图像重建方法进行比较。为了保持对照实验的公平性，将网络深度较大的RCAN、RDN与DRRN中各自的模块个数减小，使其网络深度与本算法类似进行对比实验。在这项工作中，我们提出了一种新的基于多尺度残差学习和正则化的超分辨算法，用于核磁共振图像的重建。基于三个真实MR图像数据集的结果显示，本文提出的算法优于其他超分辨算法。

本文我们提出了一种改进的深度学习超分辨网络，通过使用多尺度残差模块以及正则化项的创新，来提高算法在临床大脑核磁共振图像超分辨重建任务上的准确率。此算法可以有效地重建大脑核磁共振图像的细节信息，通过在三个临床MR图像数据库上的实验结果表明，在没有增大算法复杂程度的情况下，本文提出的算法性能优越，与目前先进的超分辨算法相比有显著的提升。

汉　斯

汉斯出版社为答谢大家对我们的信任与支持，现推出免费赠送期刊活动，只要您成功推荐10名好友关注汉斯出版社微信公众号，联系小编报名参加，待小编核实后，我们将为您免费赠送往期期刊一本！（数量有限，先到先得哟）。

点击“阅读原文”即可免费下载论文。

声明：内容来源于网络，转载只为学术传播，如涉及侵权问题，请联系我们，我们将及时修改或删除。