CN109003229B - 基于三维增强深度残差网络的磁共振超分辨率重建方法 - Google Patents

基于三维增强深度残差网络的磁共振超分辨率重建方法 Download PDF

Info

Publication number
CN109003229B
CN109003229B CN201810900291.8A CN201810900291A CN109003229B CN 109003229 B CN109003229 B CN 109003229B CN 201810900291 A CN201810900291 A CN 201810900291A CN 109003229 B CN109003229 B CN 109003229B
Authority
CN
China
Prior art keywords
resolution
residual error
magnetic resonance
image
enhanced depth
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN201810900291.8A
Other languages
English (en)
Other versions
CN109003229A (zh
Inventor
刘昶
朱泓超
于曦
胡科
何煜
施实伟
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Chengdu University
Original Assignee
Chengdu University
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Chengdu University filed Critical Chengdu University
Priority to CN201810900291.8A priority Critical patent/CN109003229B/zh
Publication of CN109003229A publication Critical patent/CN109003229A/zh
Application granted granted Critical
Publication of CN109003229B publication Critical patent/CN109003229B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T3/00—Geometric image transformations in the plane of the image
    • G06T3/40—Scaling of whole images or parts thereof, e.g. expanding or contracting
    • G06T3/4053—Scaling of whole images or parts thereof, e.g. expanding or contracting based on super-resolution, i.e. the output image resolution being higher than the sensor resolution

Landscapes

  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Magnetic Resonance Imaging Apparatus (AREA)

Abstract

本发明公开了一种基于三维增强深度残差网络的磁共振超分辨率重建方法，其包括对若干3D高分辨率磁共振脑部图像进行预处理，并采用预处理后的图像构建训练集和测试集；构建由一个输入层、两个三维卷积层、一个上采样层、一个输出层和残差模块组成的三维增强深度残差网络；构建三维增强深度残差网络模型；将测试集中归一化后的3D高分辨率磁共振图像输入到三维增强深度残差网络模型进行重构，得到重构的超分辨率图像。本方案采用构建的三维增强深度残差网络对磁共振图像进行超分辨率重构，充分利用了磁共振图像的先验信息特征，保留了特有的空间特征信息，从而提高超分辨率重建精度。

Description

基于三维增强深度残差网络的磁共振超分辨率重建方法
技术领域
本发明涉及图像处理技术，具体涉及一种基于三维增强深度残差网络的磁共振超分辨率重建方法。
背景技术
随着深度学习崛起，通过卷积层的堆叠形成的卷积神经网络被应用于自然图像的超分辨率重建，并取得了较好的效果。在超分辨率重构中，SRCNN使用双三次插值方法(bicubic)将低分辨率图像放大为目标尺寸，紧接着通过三层卷积网络拟合非线性映射，最后输出高分辨率图像结果，这样能得到较高的峰值信噪比(PSNR)。FSRCNN是在SRCNN的基础进行改进，主要体现在三个方面：一是FSRCNN在最后使用一个反卷积层来替代SRCNN中的bicubic方法来放大尺寸。二是改变特征维数，使用更小的卷积核和使用更多的映射层。三是FSRCNN可以共享其中的映射层，能够适应不同上采样倍率的模型，这样做加快了网络的收敛。DenseNet在稠密块(dense block)中将每一层的特征都输入给之后的所有层，使所有层的特征都串联起来。这样的结构具有减轻梯度消失问题、加强特征传播、支持特征复用、减少参数数量等优点，而且这样做利于低层特征和高层特征的结合，使超分辨率重建的性能得到了提升。
众所周知，卷积神经网络之所以能够得到较好的效果，是因为它能够提取到一定的先验特征信息用来训练学习。现有的技术方案，主要应用于自然图像，且训练数据都是二维图像，都采用的二维卷积提取先验信息特征。在医学图像领域中，医学图像本身是三维图像(由多层二维图像构成)每层图像之间具有一定的空间相关性，而现有的技术方案均是从每层图像里提取二维图像块，这样仅仅保留了层内的空间信息，而丢失了层间的空间信息，因此很难保证网络重建精度。
发明内容
针对现有技术中的上述不足，本发明提供的基于三维增强深度残差网络的磁共振超分辨率重建方法能够提高图像超分辨率重建精度。
为了达到上述发明目的，本发明采用的技术方案为：
提供一种基于三维增强深度残差网络的磁共振超分辨率重建方法，其包括：
S1、对若干3D高分辨率磁共振脑部图像进行预处理，并采用预处理后的图像构建训练集和测试集；
S2、构建由一个输入层、两个三维卷积层、一个上采样层、一个输出层和残差模块组成的三维增强深度残差网络；
S3、构建三维增强深度残差网络模型：
S31、初始化三维增强深度残差网络的卷积层和解卷积层中卷积核权重和偏置对损失函数导数为零；
S32、将训练集中图像分成若干批训练图像，每次输入一批训练图像至输入层；
S33、采用三维卷积层对输入的训练图像进行特征提取：
output＝(a1-f+1)*(a2-f+1)*(a3-f+1)*n
其中，a1、a2、a3分别为输入的训练图像大小；f为过滤器大小，过滤器维度为f*f*f*c，c为卷积核的数量；n为过滤器数量；
S34、将特征提取后的训练图像与残差模块的节点参数进行计算，实现网络训练的前向传播，再经过上采样层，最后通过输出层输出重构图像；
S35、采用均方差误差计算多批输出的重构图像和归一化的3D高分辨率转换图像的误差：
Figure BDA0001759183240000031
其中，t为批次数；observedt为重构图像；predictedt为归一化的3D高分辨率转换图像；N为批次总数；
S36、采用Adam梯度优化算法，更新三维增强深度残差网络的网络参数：
Figure BDA0001759183240000032
其中，
Figure BDA0001759183240000033
为无偏估计一阶矩的估计值；
Figure BDA0001759183240000034
为无偏估计二阶矩的估计值；η为学习步长；当l＝1时，W(1)＝0，b(1)＝0；ε为10^-8；
S37、当迭代次数小于设定迭代次数时，返回步骤S32；当迭代次数等于设定迭代次数时，完成三维增强深度残差网络模型的训练；
S4、将测试集中归一化后的3D高分辨率磁共振图像输入到三维增强深度残差网络模型进行重构，得到重构的超分辨率图像。
本发明的有益效果为：由于本方案的医学磁共振图像本身是三维图像，先验信息量远大于二维图像，在采用构建的三维增强深度残差网络对磁共振图像进行超分辨率重构时，充分利用了磁共振图像的先验信息特征，保留了特有的空间特征信息，从而提高了超分辨率的重建精度。
附图说明
图1为基于三维增强深度残差网络的磁共振超分辨率重建方法的流程图。
图2为三维卷积和二维卷积的对比图，其中，a为二维卷积操作；b为三维卷积操作。
图3为三维深度超分辨率网络的网络结构图。
图4为残差模块的结构图。
图5为图像效果对比图，其中a为原高分辨率磁共振图像，b为采用本方案的重构方法重构后的高分辨率磁共振图像。
具体实施方式
下面对本发明的具体实施方式进行描述，以便于本技术领域的技术人员理解本发明，但应该清楚，本发明不限于具体实施方式的范围，对本技术领域的普通技术人员来讲，只要各种变化在所附的权利要求限定和确定的本发明的精神和范围内，这些变化是显而易见的，一切利用本发明构思的发明创造均在保护之列。
参考图1，图1示出了基于三维增强深度残差网络的磁共振超分辨率重建方法的流程图，如图1所示，该方法S包括步骤S1至步骤S4。
在步骤S1中，对若干3D高分辨率磁共振脑部图像进行预处理，并采用预处理后的图像构建训练集和测试集。
在本发明的一个实施例中，对若干3D高分辨率磁共振脑部图像进行预处理，并采用预处理后的图像构建训练集和测试集进一步包括：
获取若干格式为DICOM的3D高分辨率磁共振脑部图像，并采用医学影像分析软件将其转换为格式为NITFI的3D高分辨率转换图像；
移除3D高分辨率转换图像中的骨头得到3D高分辨率脑部图像，并对3D高分辨率脑部图像进行下采样得到缩小设定倍数的3D高分辨率磁共振图像；
对3D高分辨率脑部图像和3D高分辨率磁共振图像进行归一化处理，并采用归一化后的3D高分辨率脑部图像构建训练集，归一化后的3D高分辨率磁共振图像构建测试集。
图像预处理，主要优点大致为三个，首先是将源数据标准格式转换为我们可处理格式，其次就是下采样操作，这样操作为后续构建训练集和测试集作基础，最后就是归一化操作，将所有的数据值归一化到[0,1]区间内，为后续训练过程减少计算量，提高训练的效率。
在步骤S2中，构建由一个输入层、两个三维卷积层、一个上采样层、一个输出层和残差模块组成的三维深度超分辨率网络，三维深度超分辨率网络的网络结构参考图3。
其中，三维卷积层采用三维卷积核(三维卷积和二维卷积的区别见图2)进行特征提取，两个三维卷积层分别被放置在输入层之后，输出层之前；残差模块分为两个路径，一类为主路径，直接输出；一类为子路径，由两个三维卷积层和一个Relu激活函数组成，其输出与主路径的输出特征相加后输出到下一个残差模块。残差模块的结构图参考图4，残差模块的表达式为：
y＝F(x,{Wi}+x)
其中，x、y分别为残差模块的输入和输出；F(x,{Wi})为残差函数。
在步骤S3中，构建三维增强深度残差网络模型，其具体包括步骤S31至步骤S37。
在步骤S31中，初始化三维增强深度残差网络的卷积层和解卷积层中卷积核权重和偏置对损失函数导数为零；即：ΔW(l)＝0，Δb(l)＝0，其中l是迭代次数。
在步骤S32中，将训练集中图像均匀地分成若干批训练图像，每次输入一批训练图像至输入层；
在步骤S33中，采用三维卷积层对输入的训练图像进行特征提取：
output＝(a1-f+1)*(a2-f+1)*(a3-f+1)*n
其中，a1、a2、a3分别为输入的训练图像大小；f为过滤器大小，过滤器维度为f*f*f*c，c为卷积核的数量；n为过滤器数量；
在步骤S34中，将特征提取后的训练图像与残差模块的节点参数进行计算，实现网络训练的前向传播，再经过上采样层，最后通过输出层输出重构图像；
在步骤S35中，采用均方差误差计算多批输出的重构图像和归一化的3D高分辨率转换图像的误差：
Figure BDA0001759183240000061
其中，t为批次数；observedt为重构图像；predictedt为归一化的3D高分辨率转换图像；N为批次总数，即训练集中图像均匀地分成训练图像的总批次；
在步骤S36中，采用Adam梯度优化算法，更新三维增强深度残差网络的网络参数：
Figure BDA0001759183240000062
其中，
Figure BDA0001759183240000063
为无偏估计一阶矩的估计值；
Figure BDA0001759183240000064
为无偏估计二阶矩的估计值；η为学习步长；l为迭代次数，当l＝1时，W(1)＝0，b(1)＝0；ε为10^-8；
在步骤S37中，当迭代次数小于设定迭代次数时，返回步骤S32；当迭代次数等于设定迭代次数时，完成三维增强深度残差网络模型的训练。
在三维增强深度残差网络模型构建过程中，三维增强深度残差网络在结构上与SRResNet相比，就是把规范化处理(batch normalization,BN)操作去掉。在相同的计算资源下，三维增强深度残差网络就可以堆叠更多的网络层或者利用三维卷积在网络层提取更多的特征，保证三维图像层与层所具有的空间相关性特征不丢失，从而得到更好的性能表现。
EDSR用L1范数样式的损失函数来优化网络模型，在训练时先训练低倍数的上采样模型，接着用训练低倍数上采样模型得到的参数来初始化高倍数的上采样模型，这样能减少高倍数上采样模型的训练时间，同时训练结果也更好。
在步骤S4中，将测试集中归一化后的3D高分辨率磁共振图像输入到三维增强深度残差网络模型进行重构，得到重构的超分辨率图像。
在本发明的一个实施例中，所述无偏估计一阶矩的估计值
Figure BDA0001759183240000071
的计算公式为：
Figure BDA0001759183240000072
Figure BDA0001759183240000073
ml＝β1ml-1+(1-β1)gl
其中，gl为在时间步l,代价函数J(θl-1)的一阶梯度；β1为0.9；l为迭代次数；
Figure BDA0001759183240000078
为0.9的l次幂；ml,ml-1分别为第l次与第l-1次的一阶矩，初始值为0；
无偏估计二阶矩的估计值
Figure BDA0001759183240000074
的计算公式为：
Figure BDA0001759183240000075
其中，β2为0.999；
Figure BDA0001759183240000079
为0.999的l次幂；vl,vl-1分别为第l次与第l-1次的二阶矩，初始值为0。
为了验证本方案提出的重构方法的效果，下面采用峰值信噪比(PSNR)和结构相似性(SSIM)两个评价指标进行评价，其表达式分别为：
Figure BDA0001759183240000076
其中，MSE是原高分辨率磁共振图像与重构图像之间的均方误差。
Figure BDA0001759183240000077
其中，x、y分别为原高分辨率磁共振图像和重构图像，μX是x的平均值，μy是y的平均值，
Figure BDA00017591832400000710
是x的方差，
Figure BDA00017591832400000711
是y的方差，σxy是x和y的协方差，c1＝(k1L)2，c2＝(k2L)2是用来维持稳定的常数，L是像素值的动态范围，k1＝0.01，k2＝0.03。
采用PSNR和SSIM对采用本方案重构后的图像的测试结果见下表：
评价指标 测试集图像 重建后图像
SSIM 0.7673 0.9274
PSNR 20.9747 27.5788
采用本方案的重构方法重构的图像与原高分辨率磁共振图像对比图可以参考图5，由图5中a和b及上述表格可以看，本方案的重构方法可以大幅度提高磁共振图像的分辨率。

Claims (5)

1.基于三维增强深度残差网络的磁共振超分辨率重建方法，其特征在于，包括：
S1、对若干3D高分辨率磁共振脑部图像进行预处理，并采用预处理后的图像构建训练集和测试集；
S2、构建由一个输入层、两个三维卷积层、一个上采样层、一个输出层和残差模块组成的三维增强深度残差网络；
S3、构建三维增强深度残差网络模型：
S31、初始化三维增强深度残差网络的卷积层和解卷积层中卷积核权重和偏置对损失函数导数为零：
Figure 862166DEST_PATH_IMAGE001
，其中l是迭代次数；
S32、将训练集中图像分成若干批训练图像，每次输入一批训练图像至输入层；
S33、采用三维卷积层对输入的训练图像进行特征提取：
Figure 916841DEST_PATH_IMAGE002
其中，
Figure 723123DEST_PATH_IMAGE003
分别为输入的训练图像大小；f为过滤器大小，过滤器的维度为f* f*f*c，c为卷积核的数量；n为过滤器数量；
S34、将特征提取后的训练图像与残差模块的节点参数进行计算，实现网络训练的前向传播，再经过上采样层，最后通过输出层输出重构图像；
S35、采用均方差误差计算多批输出的重构图像和归一化的3D高分辨率转换图像的误差：
Figure 179643DEST_PATH_IMAGE004
其中，t为批次数；
Figure 842705DEST_PATH_IMAGE005
为重构图像；
Figure 384676DEST_PATH_IMAGE006
为归一化的3D高分辨率转换图像；N为批次总数；
S36、采用Adam梯度优化算法，更新三维增强深度残差网络的网络参数：
Figure 525808DEST_PATH_IMAGE007
其中，
Figure 164730DEST_PATH_IMAGE008
为无偏估计一阶矩的估计值；
Figure 749427DEST_PATH_IMAGE009
为无偏估计二阶矩的估计值；
Figure 762382DEST_PATH_IMAGE010
为学习步长；l为迭代次数，当l=1时，
Figure 723516DEST_PATH_IMAGE011
，
Figure 341579DEST_PATH_IMAGE012
；
Figure 108895DEST_PATH_IMAGE013
为10^-8；
S37、当迭代次数小于设定迭代次数时，返回步骤S32；当迭代次数等于设定迭代次数时，完成三维增强深度残差网络模型的训练；
S4、将测试集中归一化后的3D高分辨率磁共振图像输入到三维增强深度残差网络模型进行重构，得到重构的超分辨率图像。
2.根据权利要求1所述的基于三维增强深度残差网络的磁共振超分辨率重建方法，其特征在于：所述对若干3D高分辨率磁共振脑部图像进行预处理，并采用预处理后的图像构建训练集和测试集进一步包括：
获取若干格式为DICOM的3D高分辨率磁共振脑部图像，并采用医学影像分析软件将其转换为格式为NITFI的3D高分辨率转换图像；
移除3D高分辨率转换图像中的骨头得到3D高分辨率脑部图像，并对3D高分辨率脑部图像进行下采样得到缩小设定倍数的3D高分辨率磁共振图像；
对3D高分辨率脑部图像和3D高分辨率磁共振图像进行归一化处理，并采用归一化后的3D高分辨率脑部图像构建训练集，归一化后的3D高分辨率磁共振图像构建测试集。
3.根据权利要求1所述的基于三维增强深度残差网络的磁共振超分辨率重建方法，其特征在于：所述残差模块包括两个路径，一个为主路径，直接输出；一个为子路径，由两个三维卷积层和一个Relu激活函数组成，其输出与主路径的输出特征相加后输出到下一个残差模块。
4.根据权利要求1所述的基于三维增强深度残差网络的磁共振超分辨率重建方法，其特征在于：所述无偏估计一阶矩的估计值
Figure 609147DEST_PATH_IMAGE014
的计算公式为：
Figure 842813DEST_PATH_IMAGE015
其中，
Figure 643279DEST_PATH_IMAGE016
为在时间步l,代价函数
Figure 569778DEST_PATH_IMAGE017
的一阶梯度；
Figure 635954DEST_PATH_IMAGE018
为0.9；l为迭代次数；
Figure 922579DEST_PATH_IMAGE019
为0.9的l次幂；
Figure 62704DEST_PATH_IMAGE020
分别为第l次与第l-1次的一阶矩，初始值为0；
无偏估计二阶矩的估计值
Figure 409372DEST_PATH_IMAGE021
的计算公式为：
Figure 838210DEST_PATH_IMAGE022
其中，
Figure 928526DEST_PATH_IMAGE023
为0.999；
Figure 188737DEST_PATH_IMAGE024
为0.999的l次幂；
Figure 519356DEST_PATH_IMAGE025
分别为第l次与第l-1次的二阶矩，初始值为0。
5.根据权利要求1所述的基于三维增强深度残差网络的磁共振超分辨率重建方法，其特征在于：所述残差模块的表达式为：
Figure 747075DEST_PATH_IMAGE026
其中，x、y分别为残差模块的输入和输出；
Figure 126235DEST_PATH_IMAGE027
为残差函数。
CN201810900291.8A 2018-08-09 2018-08-09 基于三维增强深度残差网络的磁共振超分辨率重建方法 Active CN109003229B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810900291.8A CN109003229B (zh) 2018-08-09 2018-08-09 基于三维增强深度残差网络的磁共振超分辨率重建方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810900291.8A CN109003229B (zh) 2018-08-09 2018-08-09 基于三维增强深度残差网络的磁共振超分辨率重建方法

Publications (2)

Publication Number Publication Date
CN109003229A CN109003229A (zh) 2018-12-14
CN109003229B true CN109003229B (zh) 2022-12-13

Family

ID=64595635

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810900291.8A Active CN109003229B (zh) 2018-08-09 2018-08-09 基于三维增强深度残差网络的磁共振超分辨率重建方法

Country Status (1)

Country Link
CN (1) CN109003229B (zh)

Families Citing this family (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109584164B (zh) * 2018-12-18 2023-05-26 华中科技大学 基于二维影像迁移学习的医学图像超分辨率三维重建方法
CN110738231B (zh) * 2019-07-25 2022-12-27 太原理工大学 改进S-DNet神经网络模型的乳腺X射线图像的分类方法
CN111223046B (zh) * 2019-11-20 2023-04-25 中国科学院遥感与数字地球研究所 一种图像超分辨率重建方法及装置
CN113556496B (zh) * 2020-04-23 2022-08-09 京东方科技集团股份有限公司 视频分辨率提升方法及装置、存储介质及电子设备
CN113920008A (zh) * 2020-07-08 2022-01-11 武汉Tcl集团工业研究院有限公司 图像复原方法、装置、存储介质和电子设备
CN113808111A (zh) * 2021-09-18 2021-12-17 广州幻境科技有限公司 一种医学影像的三维虚拟重构方法和系统
CN113888410A (zh) * 2021-09-30 2022-01-04 北京百度网讯科技有限公司 图像超分辨率方法、装置、设备、存储介质以及程序产品
CN114283069B (zh) * 2022-01-17 2023-06-23 卡乐福医疗科技集团有限公司 一种脑部磁共振图像超分辨率重建方法

Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103027681A (zh) * 2011-10-06 2013-04-10 西门子公司 用于重构并行获取的mri图像的系统
CN104296684A (zh) * 2014-11-05 2015-01-21 哈尔滨工业大学 基于表面镀膜共焦显微形貌测量装置的膜厚误差校正方法
CN107274347A (zh) * 2017-07-11 2017-10-20 福建帝视信息科技有限公司 一种基于深度残差网络的视频超分辨率重建方法
CN107358575A (zh) * 2017-06-08 2017-11-17 清华大学 一种基于深度残差网络的单幅图像超分辨率重建方法
CN107369189A (zh) * 2017-07-21 2017-11-21 成都信息工程大学 基于特征损失的医学图像超分辨率重建方法
CN107529650A (zh) * 2017-08-16 2018-01-02 广州视源电子科技股份有限公司 网络模型的构建和闭环检测方法、相应装置及计算机设备
CN107610194A (zh) * 2017-08-14 2018-01-19 成都大学 基于多尺度融合cnn的磁共振图像超分辨率重建方法
CN107633486A (zh) * 2017-08-14 2018-01-26 成都大学 基于三维全卷积神经网络的结构磁共振图像去噪方法
CN107730503A (zh) * 2017-09-12 2018-02-23 北京航空航天大学 三维特征嵌入的图像对象部件级语义分割方法与装置
CN108171122A (zh) * 2017-12-11 2018-06-15 南京理工大学 基于全卷积网络的高光谱遥感图像的分类方法
CN108288271A (zh) * 2018-02-06 2018-07-17 上海交通大学 基于三维残差网络的图像检测系统及方法

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10395353B2 (en) * 2016-08-31 2019-08-27 Siemens Medical Solutions Usa, Inc. Model-based scatter in multi-modality multi-energy SPECT reconstruction
US10074038B2 (en) * 2016-11-23 2018-09-11 General Electric Company Deep learning medical systems and methods for image reconstruction and quality evaluation
US10127659B2 (en) * 2016-11-23 2018-11-13 General Electric Company Deep learning medical systems and methods for image acquisition

Patent Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103027681A (zh) * 2011-10-06 2013-04-10 西门子公司 用于重构并行获取的mri图像的系统
CN104296684A (zh) * 2014-11-05 2015-01-21 哈尔滨工业大学 基于表面镀膜共焦显微形貌测量装置的膜厚误差校正方法
CN107358575A (zh) * 2017-06-08 2017-11-17 清华大学 一种基于深度残差网络的单幅图像超分辨率重建方法
CN107274347A (zh) * 2017-07-11 2017-10-20 福建帝视信息科技有限公司 一种基于深度残差网络的视频超分辨率重建方法
CN107369189A (zh) * 2017-07-21 2017-11-21 成都信息工程大学 基于特征损失的医学图像超分辨率重建方法
CN107610194A (zh) * 2017-08-14 2018-01-19 成都大学 基于多尺度融合cnn的磁共振图像超分辨率重建方法
CN107633486A (zh) * 2017-08-14 2018-01-26 成都大学 基于三维全卷积神经网络的结构磁共振图像去噪方法
CN107529650A (zh) * 2017-08-16 2018-01-02 广州视源电子科技股份有限公司 网络模型的构建和闭环检测方法、相应装置及计算机设备
CN107730503A (zh) * 2017-09-12 2018-02-23 北京航空航天大学 三维特征嵌入的图像对象部件级语义分割方法与装置
CN108171122A (zh) * 2017-12-11 2018-06-15 南京理工大学 基于全卷积网络的高光谱遥感图像的分类方法
CN108288271A (zh) * 2018-02-06 2018-07-17 上海交通大学 基于三维残差网络的图像检测系统及方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
"Super Resolution Reconstruction of Brain MR Image Based on Convolution Sparse Network";Chang Liu;《2016 7th International Conference on Cloud Computing and Big Data (CCBD)》;20161118;全文 *
"Super-resolution of 3D Magnetic Resonance Images by Random Shifting and Convolutional Neural Networks";Karl Thurnhofer-Hemsi;《2018 International Joint Conference on Neural Networks (IJCNN)》;20180713;全文 *
邢晓羊." 基于特征损失的医学图像超分辨率重建".《计算机工程与应用》.2018,全文. *

Also Published As

Publication number Publication date
CN109003229A (zh) 2018-12-14

Similar Documents

Publication Publication Date Title
CN109003229B (zh) 基于三维增强深度残差网络的磁共振超分辨率重建方法
CN107610194B (zh) 基于多尺度融合cnn的磁共振图像超分辨率重建方法
CN111047515B (zh) 一种基于注意力机制的空洞卷积神经网络图像超分辨率重建方法
CN109035142B (zh) 一种对抗网络结合航拍图像先验的卫星图像超分辨方法
CN105513026B (zh) 一种基于图像非局部相似的压缩感知重构方法
CN109584164B (zh) 基于二维影像迁移学习的医学图像超分辨率三维重建方法
CN104063886B (zh) 一种基于稀疏表示和非局部相似的核磁共振图像重建方法
CN110490832A (zh) 一种基于正则化深度图像先验方法的磁共振图像重建方法
CN110097512A (zh) 基于Wasserstein生成对抗网络的三维MRI图像去噪模型的构建方法及应用
CN110675321A (zh) 一种基于渐进式的深度残差网络的超分辨率图像重建方法
CN111160229B (zh) 基于ssd网络的视频目标检测方法及装置
CN110070612B (zh) 一种基于生成对抗网络的ct图像层间插值方法
CN108734675A (zh) 基于混合稀疏先验模型的图像复原方法
CN109584330A (zh) 一种基于压缩感知逼近l0范数的梯度投影图像重建方法
CN114494015A (zh) 基于盲超分辨率网络的图像重建方法
CN114140442A (zh) 一种基于频域和图像域退化感知的深度学习稀疏角度ct重建方法
CN117333750A (zh) 空间配准与局部全局多尺度的多模态医学图像融合方法
CN116612009A (zh) 一种多尺度连接生成对抗网络医学图像超分辨率重建方法
CN114972332B (zh) 一种基于图像超分辨率重建网络的竹集成材裂纹检测方法
CN116385642A (zh) 基于球面Shearlet的三维标量信息压缩重构方法
CN115482434A (zh) 一种基于多尺度生成对抗网络的小样本高质量生成的方法
CN113538693B (zh) 一种基于深度学习的微波乳腺图像重建方法
CN116228520A (zh) 基于Transformer生成对抗网络的图像压缩感知重建方法及系统
CN114926559A (zh) 一种基于字典学习思想无衰减校正的pet重建方法
Xie et al. Transferring deep gaussian denoiser for compressed sensing MRI reconstruction

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant