基于分组双阶段双向卷积长短期方法的高光谱图像超分辨率网络

文章提出基于分组的双阶段Bi-ConvLSTM网络(GDBN),可以充分利用图像的空间和光谱信息,通过使用以波段为单位的分组策略,有效缓解了计算负担,并对光谱信息进行保护。在编码器的不同阶段,对浅层信息提取模块和深度特征提取模块进行不同层次信息的提取,浅层信息提取模块能够对不同尺度的浅层特征信息进行充分捕捉,深度特征提取模块能够捕捉图像的高频特征信息。文章还引入通道注意力机制,增强网络对特征的组织能力,并在自然数据集cave上进行大量实验,效果普遍优于目前主流的深度学习方法。

基于特征尺度的平面波医学影像重建

相较于传统的线扫成像,平面波成像由于其超快的成像速度被广泛应用,但其成像质量较差,影响医生对肿瘤以及血管疾病的精确诊断,现有技术虽然可以提高成像质量,但会降低成像帧频,无法满足临床医学上超快成像的需求。针对上述问题,提出了一种基于生成对抗网络(generative adversarial network, GAN)的图像重建方法:MF-GAN(generative adversarial network with multiscales and feature extraction)。采用基于U-Net的生成器,在编码器中结合多尺度感受野提取不同层次的信息,在解码器中提出了叠加采样机制(fusion-sampling mechanism, FSM),并结合交叉自注意力(criss-cross self-attention, CCSA)分别提取局部和全局特征。在PICMUS 2016数据集上进行训练,利用组合损失规范该模型的收敛方向,相较主流基于深度学习和波束合成的方法,在点目标、囊肿目标和体内图像中的重建效果均有明显提升。综上所述,MF-GAN能够解决平面波图像病灶部位不清晰的问题,重建出高质量的平面波图像。