采用伪3D卷积网络的脑部MRI图像超分辨率重建

摘要：

针对现有深度学习医学图像超分辨率重建算法因网络参数量大导致计算复杂度过高、网络难以训练的问题,提出一种采用伪3D卷积的轻量级密集残差连接3D卷积神经网络(P3DSRNet)模型.首先利用密集残差块拓宽残差块中卷积层的通道,将更多的特征信息传送到激活函数,使网络中浅层图像特征更容易地传播到高层,增强医学图像超分辨率的表达能力;然后采用伪3D可分离卷积策略训练网络,将标准3D卷积核分离成多个卷积核,分阶段进行训练,使网络训练收敛速度更快,解决标准3D卷积拓宽维数导致网络训练难度加大时参数急剧增加的问题.实验结果表明,对比传统的插值超分辨率算法和LRTV超分辨率算法,采用P3DSRNet模型重建的医学图像纹理细节更丰富,视觉效果更逼真,与采用卷积神经网络的超分辨率算法SRCNN3D和ReCNN相比,P3DSRNet模型网络参数大大减少,峰值信噪比分别提升了1.88 dB和0.30 dB,结构相似度分别提升了0.0096和0.0011,P3DSRNet模型不仅大大降低了参数量和计算复杂度,而且提高了医学图像的超分辨性能.

关键词：超分辨率;磁共振成像;伪3D卷积;残差学习

所属期刊栏目：34

分类号：TP391.41(计算技术、计算机技术)

资助基金：云南省重大科技专项计划202002AD080001

在线出版日期：2022-02-22（万方平台首次上网日期，不代表论文的发表时间）

页数：共9页

页码：208-216