一种注意力机制的多尺度特征融合MRI重建

针对深度卷积神经网络重建磁共振图像存在的高频细节纹理丢失问题,本文提出一种注意力机制的多尺度特征融合磁共振成像(magnetic resonance imaging,MRI)重建。在U-Net模型基础上,采用参考图像的特征,约束低分辨磁共振图像的重建,并引入多尺度特征挤压注意力(multi-scale feature squeeze attention,MFSA)模块,建立跨通道信息交互,在通道维度上对多尺度特征层进行特征提取并融合,强化高频细节纹理的特征信息,提高磁共振图像重建的分辨率。同时,为验证所提注意力模块的有效性,保持其他参数不变,在测试集上分别对网络加入的注意力模块前后进行对比实验。实验结果表明,本文所提出的MFSA,能提高图像的重建质量,使图像获得更丰富的信息,各项指标均达到最优,重建结果纹理清晰,接近于真实图像,更能满足人类的视觉感受,而且网络在峰值信噪比和结构相似性等质量评价指标方面均得到较大改善,在定量评估上明显优于其他网络,而且通过不同尺度注意力相融合,使网络在小数据集上就可明显提升图像的感知质量。该研究具有较大的应用价值。

基于融合网络的医学图像超分辨率研究

为提高医学图像分辨率,提出一种将FSRCNN算法与DRN算法融合的超分辨率重建的方法。算法将FSRCNN算法的五层卷积网络融入到DRN算法中,融合的模型进行了两方面改进处理:1)在下采样过程中将反卷积层置于特征提取层前面;2)在上采样过程中使用RCAN残差网络代替RCAB残差网络。实验结果表明,提出的算法在PSNR和SSIM方面均高于现有的主流算法,重建图像的纹理更加清晰,便于医生进行临床诊断。

基于参考图像的膝关节MRI超分辨率重建算法研究

针对在膝关节MRI图像重建中,传统超分辨算法存在重建图像纹理不清晰、参考图像难以与低分辨率图像纹理严格对齐等问题,提出了一种基于参考图像的膝关节MRI超分辨率成像算法。该算法利用纹理相似性,将参考图像的迁移纹理与低分辨率图像纹理自适应地对齐,丰富低分辨率图像的细节,实现膝关节MRI超分辨率成像。纹理迁移利用残差网络与跳跃链接构成的生成网络实现。实验结果表明,与传统算法相比,该算法重建图像分辨率更高、纹理更真实。

基于反馈网络的磁共振图像超分辨率重建研究

针对磁共振图像超分辨率重建算法存在的边缘信息丢失和运动伪影等问题,本文提出一种基于反馈网络的磁共振图像超分辨重建方法。采用反馈路径构成网络结构,在所提出的重建算法中,将输入图像进行上采样和下采样操作,提取图像特征,并对提取的特征进行融合后与输入图像一起进行局部循环训练,同时通过残差和卷积操作,重建超分辨率图像。为了更加全面的对本文所提方法性能进行比较和分析,采用峰值信噪比(peak signal-to-noise ratio,PSNR)和结构相似度(structural similarity,SSIM)作为图像质量的客观评价标准,从主观和客观两方面对实验结果进行评价。研究结果表明,在相同的欠采样系数下,利用所提方法重建的图像PSNR和SSIM指标均高于其它算法,重建效果较好,不仅能准确地重建图像信息,还可提高图像的重建质量,证明本文所提方法的有效性。该研究具有较好的实际应用价值。