CN109360152A - 基于稠密卷积神经网络的三维医学图像超分辨率重建方法 - Google Patents
基于稠密卷积神经网络的三维医学图像超分辨率重建方法 Download PDFInfo
- Publication number
- CN109360152A CN109360152A CN201811193597.0A CN201811193597A CN109360152A CN 109360152 A CN109360152 A CN 109360152A CN 201811193597 A CN201811193597 A CN 201811193597A CN 109360152 A CN109360152 A CN 109360152A
- Authority
- CN
- China
- Prior art keywords
- resolution
- layer
- image
- super
- dense
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 40
- 238000013527 convolutional neural network Methods 0.000 title claims abstract description 25
- 238000012549 training Methods 0.000 claims abstract description 14
- 238000012360 testing method Methods 0.000 claims abstract description 8
- 230000008569 process Effects 0.000 claims description 7
- 238000010606 normalization Methods 0.000 claims description 6
- 230000009466 transformation Effects 0.000 claims description 6
- 230000006870 function Effects 0.000 claims description 5
- 230000003044 adaptive effect Effects 0.000 claims description 4
- 238000013507 mapping Methods 0.000 claims description 4
- 239000011159 matrix material Substances 0.000 claims description 3
- 239000013598 vector Substances 0.000 claims description 3
- 238000003475 lamination Methods 0.000 claims 1
- 230000008901 benefit Effects 0.000 description 6
- 238000012545 processing Methods 0.000 description 6
- 238000005457 optimization Methods 0.000 description 5
- 238000013528 artificial neural network Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 4
- 238000002595 magnetic resonance imaging Methods 0.000 description 4
- 238000003384 imaging method Methods 0.000 description 3
- 230000004913 activation Effects 0.000 description 2
- 210000004556 brain Anatomy 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 238000010191 image analysis Methods 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 238000002360 preparation method Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000013421 nuclear magnetic resonance imaging Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T17/00—Three dimensional [3D] modelling, e.g. data description of 3D objects
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2210/00—Indexing scheme for image generation or computer graphics
- G06T2210/41—Medical
Landscapes
- Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Graphics (AREA)
- Geometry (AREA)
- Software Systems (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种基于稠密卷积神经网络的三维医学图像超分辨率重建方法，包括：将人类连接组项目公开的数据集随机分成7：1：1：1四部分，第一部分作为训练集，第二部分用于验证及优化网络权重，第三部分用于评估选择的超参数，第四部分作为测试集；将低分辨率三维图像320*320*256分成64*64*64的小块，作为基于稠密连接结构的网络输入；计算重建图像与实际图像之间的误差，并将该误差由输出层向隐藏层逐层的反向传播，直至传播到输入层，经过不断的反馈优化直至误差不再减小，得到超分辨率重建的最优模型，并对最优模型进行训练；输入医学三维低分辨率图像，加载好训练好的模型，输出重建的高分辨率图像。
Description
技术领域
本发明涉及图像处理领域，尤其涉及一种基于稠密卷积神经网络的三维医学图像超分辨率重建方法。
背景技术
由于广泛的实用价值与理论价值，图像超分辨率重建技术成为计算机视觉与图像处理领域的一个研究热点，图像超分辨率是指利用一幅或多幅低分辨率图像，运用相关的算法来获得一幅清晰的高分辨率图像。高分辨率的医学图像可以有丰富的结构信息，支持图像分析和定量测量。
高分辨率图像的医学图像有着丰富的结构细节，可以实现精确的图像分析和定量测量。然而MRI(Nuclear Magnetic Resonance Imaging，核磁共振成像)的高分辨率图像生成通常以更长的扫描时间、更小的空间覆盖率和更低的信噪比为代价获得的。如果可以从输入的低分辨率图像中获得高分辨率图的话，就可以在更短的扫描时间内实现更大的空间覆盖率、更高的信噪比和更好的空间分辨率。要平衡图像分辨率、信噪比和采集时间，这三个成像参数是相互影响的，高分辨率图像可以观察到更细微的细节信息，但是通常会伴随着信噪比的降低或成像时间的增加。MRI成像的资源有限，成本很高，扫描时间长对患者不利，并可能会导致图像中有运动伪影出现[1]。
一种简单的方法是通过对低分辨率图像进行插值处理来获得高分辨率图像，基于插值的方法快速易行，适合并行计算，基本满足实时要求，但因为不能引入额外有用的高频信息，无法恢复丢失的高频信息，因而很难在高分辨率图像中得到锐化的效果。另外一种方法是重复扫描低分辨率图像来组成高分辨率图像，这种内部扫描的办法并不稳定，在实践中耗时过长[2]。关于图像超分辨率重建的处理，近年来利用深度学习的方法来进行图像处理的方法中超分辨率卷积神经网络(Super-Resolution Convolution Neural Network，SRCNN)表现出很优异的效果。并且它的快速版本快速超分辨率卷积神经网络(Fast Super-Resolution Convolutional Neural Networks，FSRCNN)因为其网络结构简单和更高的恢复精度而备受关注[3-4]。
这些以前的深度学习方法仍然有局限性。现在许多医学图像数据都是三维体数据，但是二维超分辨率卷积神经网络，例如快速超分辨率卷积神经网络是以处理一张一张图的方式工作，没有考虑到三维连续数据的优点。一个三维模型可以直接从数据中提取考虑到多层图像的三维图像特征，更适合针对三维体数据的处理。其次，快速超分辨率卷积神经网络是直接堆叠多个神经网络，直接转换成三维可能会导致大量的参数，在内存分配上也会面临挑战。
发明内容
本发明提供了一种基于稠密卷积神经网络的三维医学图像超分辨率重建方法，本发明基于稠密卷积神经网络，并在原始结构基础上，针对三维数据的特点，对稠密卷积神经网络进行重新搭建，详见下文描述：
一种基于稠密卷积神经网络的三维医学图像超分辨率重建方法，所述方法包括以下步骤：
1)将人类连接组项目公开的数据集随机分成7：1：1：1四部分，第一部分作为训练集，第二部分用于验证及优化网络权重，第三部分用于评估选择的超参数，第四部分作为测试集；
2)将低分辨率三维图像320*320*256分成64*64*64的小块，作为基于稠密连接结构的网络输入；
其中，所述网络包括：归一化层、一个使用ELU组成的非线性映射部分和增长率k为24的卷积层；
3)计算重建图像与实际图像之间的误差，并将该误差由输出层向隐藏层逐层的反向传播，直至传播到输入层，经过不断的反馈优化直至误差不再减小，得到超分辨率重建的最优模型，并对最优模型进行训练；
4)输入医学三维低分辨率图像，加载好训练好的模型，输出重建的高分辨率图像。
进一步地，所述网络还包括：
将两组分解好的64*64*64的小立方体输入到2000个3*3*3的卷积层；
将3*3*3卷积层的输出特征图输入到稠密连接结构当中，将经过稠密连接结构后的特征图输入到一个1*1*1的卷积层，输出的结果即为超分辨率结果图。
其中，所述训练集、验证集和测试集均由高分辨率图像以及所对应的低分辨率图像组成的。
具体实现时，所述低分辨率图像由高分辨率图像利用傅里叶变换转换到频域，将两个矢量方向外的其他方向数值置零，得到低分辨率三维图像。
其中，所述超分辨率重建的最优模型具体为：
xl＝Hl([x0,x1,...,xl-1])
式中，xl表示l层的输出，Hl表示一个非线性变换，Hl包括：归一化层，ELUs和3*3*3的卷积层，[x0,x1,...,xl-1]表示将0到l-1层的输出特征图连接到一起。
进一步地，所述对最优模型进行训练具体为：学习率设为10-5；采用L2范数作为损失函数，在训练过程中用于计算超分辨率重建图像与实际图像之间的误差，直至误差不再减小，停止训练；
采用自适应矩阵估计，β1＝0.9，β2＝0.999。
本发明提供的技术方案的有益效果是：
1)本发明通过将高分辨率图像转换到频域进行处理获得低分辨率图像，这种方法更贴近真实低分辨率图像的真实获取过程；
2)该网络的每条路径都很短，所以反向传播更有效；大量的图像特征被重复利用，这不仅减少了不适合的参数数量而且极大程度的避免了过拟合的产生；由于权重共享使得这个网络有更少的权重，使模型小而且更高效；
3)本发明直接针对三维图像直接进行处理，提取的特征图中含有更丰富的结构信息，充分考虑到面与面之间信息的连续性；
4)本发明中的激活函数采用ELU(Exponential Linear Unit，指数线性单元)函数，它继承了ReLU(Rectified Linear Unit，线性修正单元)的所有优点，在负的限制条件下能够更具有鲁棒性。
附图说明
图1为本发明构建的基于稠密卷积神经网络的结构示意图；
图2为一种基于稠密卷积神经网络的三维医学图像超分辨率重建方法的流程图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚，下面对本发明实施方式作进一步地详细描述。
基于稠密卷积神经网络的三维超分辨率重建方法是仅仅依据低分辨率输入图像就可获得高分辨率图像[5]，可以很好的解决背景技术中的问题。
本发明实施例提出在大脑核磁共振成像中利用基于三维稠密卷积神经网络(Dense Convolutional Network,DenseNet)的超分辨重建算法，使用的三维卷积神经网络的表现优于二维卷积神经网络。此外，实验中低分辨率图像是通过在图像转换到频域空间得到的，获取低分辨率图像的过程更贴近真实低分辨率图像的获取过程，重建效果更好。
实施例1
一种基于稠密卷积神经网络的三维医学图像超分辨率重建方法，参见图1，该方法包括以下步骤：
101：将人类连接组项目公开的数据集随机分成7：1：1：1四部分，第一部分作为训练集，第二部分用于验证及优化网络权重，第三部分用于评估选择的超参数，第四部分作为测试集；
102：将低分辨率三维图像320*320*256分成64*64*64的小块，作为基于稠密连接结构的网络输入；
其中，该步骤102中的网络包括：归一化层、一个使用ELU组成的非线性映射部分和增长率k为24的卷积层。
103：计算重建图像与实际图像之间的误差，并将该误差由输出层向隐藏层逐层的反向传播，直至传播到输入层，经过不断的反馈优化直至误差不再减小，得到超分辨率重建的最优模型，并对最优模型进行训练；
104：输入医学三维低分辨率图像，加载好训练好的模型，输出重建的高分辨率图像。
综上所述，本发明实施例实现了如下的改进：
1)由于超分辨率重建问题关于边缘、纹理浅层特征比较敏感，本发明实施例提出了采用稠密卷积神经网络，可以提取到更加丰富的高频信息用来进行超分辨率重建；
2)在超分辨率重建的过程中，二维图像的超分辨率重建往往是一次处理一张图像，这样就忽略了数据本身的连续性，本发明实施例提出三维模型，可以直接针对三维数据进行处理，可以提取到包含多层图像的信息，提高重建图像质量；
3)本发明实施例的激活函数采用ELU函数，它继承了ReLU的所有优点，在负的限制条件下能够更具有鲁棒性。
实施例2
下面结合具体的实例对实施例1中的方案进行进一步地介绍，详见下文描述：
201：数据准备；
第一步：划分数据集，数据来源人类连接组项目(Human Connectome Project)公开的数据集。
整个数据集被随机分成7：1：1：1四部分，第一部分作为训练集，第二部分用于验证及优化网络权重，第三部分用于评估选择的超参数，第四部分作为测试集。其中，训练、验证和测试的数据集均是由高分辨率图像以及所对应的低分辨率图像组成的，低分辨率图像是由高分辨率图像利用傅里叶变换转换到频域，将两个矢量方向外的其他方向数值置零，得到的低分辨率三维图像。
202：将低分辨率三维图像320*320*256分成64*64*64的小块，作为网络输入；
其中，参见图1，网络结构搭建，方法如下：
第一步：将两组分解好的64*64*64的小立方体输入到2000个3*3*3的卷积层。
第二步：将3*3*3卷积层的输出特征图(即卷积后的结果图)输入到稠密连接结构当中，稠密连接结构包含四个部分。每部分均包括一个归一化层、一个使用ELU组成的非线性映射部分和增长率k为24的卷积层。
由于重建图像与实际图像有误差，计算重建图像与实际图像之间的误差，并将该误差由输出层向隐藏层逐层的反向传播，直至传播到输入层，经过不断的反馈优化直至误差不再减小，得到超分辨率重建的最优模型，所使用的网络结构见附图1说明。
第三步：将经过稠密连接结构后的特征图输入到一个1*1*1的卷积层，输出的结果即为超分辨率结果图。
203：模型训练，方法如下：
第一步：学习率设为10-5；第二步：采用L2范数作为损失函数，在训练过程中用于计算超分辨率重建图像与实际图像之间的误差，直至误差不再减小，停止训练；第三步：采用ADAM(Adaptive Moment Estimation，自适应矩阵估计)优化方法，将该优化方法中的衰减率β1和β2分别设定为β1＝0.9，β2＝0.999。
204：输入医学三维低分辨率图像，加载好训练好的模型，输出重建的高分辨率图像。
综上所述，本发明实施例直接针对三维图像直接进行处理，提取的特征图中含有更丰富的结构信息，充分考虑到面与面之间信息的连续性。
实施例3
下面结合具体的数据对实施例1和2中的方案进行进一步地介绍，详见下文描述：
301：数据准备；
(a)划分数据集，数据来源HCP公开数据集，该数据集包含1113位病人的脑部T1w结构图像，图像尺寸为320*320*256，空间分辨率为0.7mm。
(b)将整个数据集被随机分成7:1：1:1四部分，780张图作为训练集，111张图用于验证及优化网络权重，111张图用于评估选择的超参数，111张图作为测试集。
302：网络的搭建；
本发明实施例的网络结构主要包括：两个卷积层和一个稠密连接结构组成，下面将结合附图1，对本发明实施例搭建的网络结构进行详细的介绍说明。
(a)每次迭代，输入2个64*64*64的三维低分辨率图像。首先经过2000个3*3*3的卷积核进行处理来提取特征，得到2000个64*64*64的特征图。
(b)将2000个64*64*64的特征图输入到稠密连接结构中。
其中，稠密连接结构由四部分组成，每部分均包括一个归一化层、一个使用ELUs组成的非线性映射部分和增长率k为24的卷积层。每层输出24个大小均为64*64*64的特征图，将前面所有层的输出作通道叠加输入给下一层，经过不断的反馈优化得到超分辨率重建的最优模型。
xl＝Hl([x0,x1,...,xl-1]) (1)
式中，xl表示l层的输出，Hl表示一个非线性变换，Hl包括：归一化层，ELUs和3*3*3的卷积层，[x0,x1,...,xl-1]表示将0到l-1层的输出特征图连接(concatenation)到一起。
(c)为了降低稠密连接块输出的特征图个数并融合各个通道特征，最后将稠密连接结构输出的特征图经过一个1*1*1卷积层处理，得到大小为64*64*64的超分辨率结果图。
303：模型训练；
本发明实施例的学习率设为10-5。采用L2范数作为损失函数。采用ADAM优化方法，β1＝0.9，β2＝0.999。
304：输入三维医学低分辨率图像，加载好训练模型，输出重建的高分辨率图；
305：采用结构相似性(Structral Similarty Index，SSIM)衡量算法效果。
其中，本实验所得超分辨率结果图与原始输入图结果比对，计算出平均SSIM(结构相似性)＝92.44％。
参考文献：
[1]Plenge E,Poot D H J,Bernsen M,et al.Super‐resolution methods inMRI:Can they improve the trade‐offbetween resolution,signal‐to‐noise ratio,and acquisition time？[J].Magnetic resonance in medicine,2012,68(6):1983-1993.
[2]Glasner D,Bagon S,Irani M.Super-resolution from a single image[C]//Computer Vision,2009IEEE 12th International Conference on.IEEE,2009:349-356.
[3]Dong C,Loy C C,Tang X.Accelerating the super-resolutionconvolutional neural network[C]//European Conference on ComputerVision.Springer,Cham,2016:391-407.
[4]Dong C,Loy C C,He K,et al.Image super-resolution using deepconvolutional networks[J].IEEE transactions on pattern analysis and machineintelligence,2016,38(2):295-307.
[5]Huang G,Liu Z,Van Der Maaten L,et al.Densely ConnectedConvolutional Networks[C]//CVPR.2017,1(2):3.
本领域技术人员可以理解附图只是一个优选实施例的示意图，上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。
以上所述仅为本发明的较佳实施例，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
Claims (6)
1.一种基于稠密卷积神经网络的三维医学图像超分辨率重建方法，其特征在于，所述方法包括以下步骤：
1)将人类连接组项目公开的数据集随机分成7：1：1：1四部分，第一部分作为训练集，第二部分用于验证及优化网络权重，第三部分用于评估选择的超参数，第四部分作为测试集；
2)将低分辨率三维图像320*320*256分成64*64*64的小块，作为基于稠密连接结构的网络输入；
其中，所述网络包括：归一化层、一个使用ELU组成的非线性映射部分和增长率k为24的卷积层；
3)计算重建图像与实际图像之间的误差，并将该误差由输出层向隐藏层逐层的反向传播，直至传播到输入层，经过不断的反馈优化直至误差不再减小，得到超分辨率重建的最优模型，并对最优模型进行训练；
4)输入医学三维低分辨率图像，加载好训练好的模型，输出重建的高分辨率图像。
2.根据权利要求1所述的一种基于稠密卷积神经网络的三维医学图像超分辨率重建方法，其特征在于，所述网络还包括：
将两组分解好的64*64*64的小立方体输入到2000个3*3*3的卷积层；
将3*3*3卷积层的输出特征图输入到稠密连接结构当中，将经过稠密连接结构后的特征图输入到一个1*1*1的卷积层，输出的结果即为超分辨率结果图。
3.根据权利要求1所述的一种基于稠密卷积神经网络的三维医学图像超分辨率重建方法，其特征在于，
所述训练集、验证集和测试集均由高分辨率图像以及所对应的低分辨率图像组成的。
4.根据权利要求1所述的一种基于稠密卷积神经网络的三维医学图像超分辨率重建方法，其特征在于，
所述低分辨率图像由高分辨率图像利用傅里叶变换转换到频域，将两个矢量方向外的其他方向数值置零，得到低分辨率三维图像。
5.根据权利要求1所述的一种基于稠密卷积神经网络的三维医学图像超分辨率重建方法，其特征在于，所述超分辨率重建的最优模型具体为：
xl＝Hl([x0,x1,...,xl-1])
式中，xl表示l层的输出，Hl表示一个非线性变换，Hl包括：归一化层，ELUs和3*3*3的卷积层，[x0,x1,...,xl-1]表示将0到l-1层的输出特征图连接到一起。
6.根据权利要求1所述的一种基于稠密卷积神经网络的三维医学图像超分辨率重建方法，其特征在于，所述对最优模型进行训练具体为：
学习率设为10-5；采用L2范数作为损失函数，在训练过程中用于计算超分辨率重建图像与实际图像之间的误差，直至误差不再减小，停止训练；
采用自适应矩阵估计，衰减率β1＝0.9，β2＝0.999。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811193597.0A CN109360152A (zh) | 2018-10-15 | 2018-10-15 | 基于稠密卷积神经网络的三维医学图像超分辨率重建方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811193597.0A CN109360152A (zh) | 2018-10-15 | 2018-10-15 | 基于稠密卷积神经网络的三维医学图像超分辨率重建方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN109360152A true CN109360152A (zh) | 2019-02-19 |
Family
ID=65349327
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201811193597.0A Pending CN109360152A (zh) | 2018-10-15 | 2018-10-15 | 基于稠密卷积神经网络的三维医学图像超分辨率重建方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109360152A (zh) |
Cited By (13)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109949223A (zh) * | 2019-02-25 | 2019-06-28 | 天津大学 | 基于反卷积稠密连接的图像超分辨率重构方法 |
| CN110020987A (zh) * | 2019-03-24 | 2019-07-16 | 北京工业大学 | 一种基于深度学习的医学影像超分辨率重建方法 |
| CN110084773A (zh) * | 2019-03-25 | 2019-08-02 | 西北工业大学 | 一种基于深度卷积自编码网络的图像融合方法 |
| CN110084745A (zh) * | 2019-03-12 | 2019-08-02 | 天津大学 | 基于并联的稠密卷积神经网络的图像超分辨率重建方法 |
| CN110189308A (zh) * | 2019-05-17 | 2019-08-30 | 山东财经大学 | 一种基于bm3d和稠密卷积网络融合的肿瘤检测方法和装置 |
| CN110246083A (zh) * | 2019-05-10 | 2019-09-17 | 杭州电子科技大学 | 一种荧光显微图像超分辨率成像方法 |
| CN110443868A (zh) * | 2019-08-02 | 2019-11-12 | 上海联影医疗科技有限公司 | Pet图像获取方法、装置、计算机设备和存储介质 |
| CN110782078A (zh) * | 2019-10-18 | 2020-02-11 | 武汉科技大学 | 一种耙吸式挖泥船出泥率预测的学习方法 |
| CN111028147A (zh) * | 2019-11-25 | 2020-04-17 | 天津大学 | 基于级联空洞卷积的三维医学图像超分辨率重建方法 |
| CN111369433A (zh) * | 2019-11-12 | 2020-07-03 | 天津大学 | 基于可分离卷积和注意力的三维图像超分辨率重建方法 |
| CN111445390A (zh) * | 2020-02-28 | 2020-07-24 | 天津大学 | 基于宽残差注意力的三维医学图像超分辨率重建方法 |
| CN111696043A (zh) * | 2020-06-10 | 2020-09-22 | 上海理工大学 | 一种三维fsrcnn的高光谱图像超分辨率重建算法 |
| CN112669209A (zh) * | 2020-12-24 | 2021-04-16 | 华中科技大学 | 一种三维医学图像超分辨率重建方法和系统 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103218795A (zh) * | 2013-05-05 | 2013-07-24 | 西安电子科技大学 | 基于自适应双字典学习的部分k空间序列图像重构方法 |
| CN106991646A (zh) * | 2017-03-28 | 2017-07-28 | 福建帝视信息科技有限公司 | 一种基于密集连接网络的图像超分辨率方法 |
| CN108009989A (zh) * | 2017-12-18 | 2018-05-08 | 华中科技大学 | 一种基于srcnn的微波遥感图像超分辨率重建方法 |
-
2018
- 2018-10-15 CN CN201811193597.0A patent/CN109360152A/zh active Pending
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103218795A (zh) * | 2013-05-05 | 2013-07-24 | 西安电子科技大学 | 基于自适应双字典学习的部分k空间序列图像重构方法 |
| CN106991646A (zh) * | 2017-03-28 | 2017-07-28 | 福建帝视信息科技有限公司 | 一种基于密集连接网络的图像超分辨率方法 |
| CN108009989A (zh) * | 2017-12-18 | 2018-05-08 | 华中科技大学 | 一种基于srcnn的微波遥感图像超分辨率重建方法 |
Non-Patent Citations (4)
| Title |
|---|
| 常亮等: "图像理解中的卷积神经网络", 《自动化学报》 * |
| 徐露露: "基于正交试验设计下的卷积神经网络在图像识别上的研究与应用", 《电脑知识与技术》 * |
| 李现国等: "基于中间层监督卷积神经网络的图像超分辨率重建", 《中国图象图形学报》 * |
| 陈书贞: ""利用多尺度卷积神经网络的图像超分辨率算法"", 《信号处理》 * |
Cited By (22)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109949223A (zh) * | 2019-02-25 | 2019-06-28 | 天津大学 | 基于反卷积稠密连接的图像超分辨率重构方法 |
| CN109949223B (zh) * | 2019-02-25 | 2023-06-20 | 天津大学 | 基于反卷积稠密连接的图像超分辨率重构方法 |
| CN110084745A (zh) * | 2019-03-12 | 2019-08-02 | 天津大学 | 基于并联的稠密卷积神经网络的图像超分辨率重建方法 |
| CN110020987A (zh) * | 2019-03-24 | 2019-07-16 | 北京工业大学 | 一种基于深度学习的医学影像超分辨率重建方法 |
| CN110020987B (zh) * | 2019-03-24 | 2023-06-30 | 北京工业大学 | 一种基于深度学习的医学影像超分辨率重建方法 |
| CN110084773A (zh) * | 2019-03-25 | 2019-08-02 | 西北工业大学 | 一种基于深度卷积自编码网络的图像融合方法 |
| CN110246083B (zh) * | 2019-05-10 | 2023-02-24 | 杭州电子科技大学 | 一种荧光显微图像超分辨率成像方法 |
| CN110246083A (zh) * | 2019-05-10 | 2019-09-17 | 杭州电子科技大学 | 一种荧光显微图像超分辨率成像方法 |
| CN110189308A (zh) * | 2019-05-17 | 2019-08-30 | 山东财经大学 | 一种基于bm3d和稠密卷积网络融合的肿瘤检测方法和装置 |
| CN110189308B (zh) * | 2019-05-17 | 2020-10-23 | 山东财经大学 | 一种基于bm3d和稠密卷积网络融合的肿瘤检测方法和装置 |
| CN110443868B (zh) * | 2019-08-02 | 2023-09-26 | 上海联影医疗科技股份有限公司 | Pet图像获取方法、装置、计算机设备和存储介质 |
| CN110443868A (zh) * | 2019-08-02 | 2019-11-12 | 上海联影医疗科技有限公司 | Pet图像获取方法、装置、计算机设备和存储介质 |
| CN110782078A (zh) * | 2019-10-18 | 2020-02-11 | 武汉科技大学 | 一种耙吸式挖泥船出泥率预测的学习方法 |
| CN110782078B (zh) * | 2019-10-18 | 2023-04-25 | 武汉科技大学 | 一种耙吸式挖泥船出泥率预测的学习方法 |
| CN111369433A (zh) * | 2019-11-12 | 2020-07-03 | 天津大学 | 基于可分离卷积和注意力的三维图像超分辨率重建方法 |
| CN111369433B (zh) * | 2019-11-12 | 2024-02-13 | 天津大学 | 基于可分离卷积和注意力的三维图像超分辨率重建方法 |
| CN111028147A (zh) * | 2019-11-25 | 2020-04-17 | 天津大学 | 基于级联空洞卷积的三维医学图像超分辨率重建方法 |
| CN111028147B (zh) * | 2019-11-25 | 2024-02-02 | 天津大学 | 基于级联空洞卷积的三维医学图像超分辨率重建方法 |
| CN111445390A (zh) * | 2020-02-28 | 2020-07-24 | 天津大学 | 基于宽残差注意力的三维医学图像超分辨率重建方法 |
| CN111445390B (zh) * | 2020-02-28 | 2022-03-25 | 天津大学 | 基于宽残差注意力的三维医学图像超分辨率重建方法 |
| CN111696043A (zh) * | 2020-06-10 | 2020-09-22 | 上海理工大学 | 一种三维fsrcnn的高光谱图像超分辨率重建算法 |
| CN112669209A (zh) * | 2020-12-24 | 2021-04-16 | 华中科技大学 | 一种三维医学图像超分辨率重建方法和系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109360152A (zh) | 基于稠密卷积神经网络的三维医学图像超分辨率重建方法 | |
| CN111461983B (zh) | 一种基于不同频度信息的图像超分辨率重建模型及方法 | |
| Du et al. | Super-resolution reconstruction of single anisotropic 3D MR images using residual convolutional neural network | |
| US10859657B2 (en) | MRI reconstruction using deep learning, generative adversarial network and acquisition signal model | |
| CN108460726B (zh) | 一种基于增强递归残差网络的磁共振图像超分辨重建方法 | |
| US20210295474A1 (en) | Methods and system for selective removal of streak artifacts and noise from images using deep neural networks | |
| CN110148215B (zh) | 一种基于平滑约束和局部低秩约束模型的四维磁共振图像重建方法 | |
| CN108416821B (zh) | 一种深度神经网络的ct图像超分辨重建方法 | |
| CN110047138A (zh) | 一种磁共振薄层图像重建方法 | |
| CN108335339A (zh) | 一种基于深度学习和凸集投影的磁共振重建方法 | |
| Du et al. | Accelerated super-resolution MR image reconstruction via a 3D densely connected deep convolutional neural network | |
| Sandino et al. | Deep convolutional neural networks for accelerated dynamic magnetic resonance imaging | |
| CN1653349A (zh) | 包括局部加权插值的扩散量磁共振成像 | |
| CN111487573B (zh) | 一种用于磁共振欠采样成像的强化型残差级联网络模型 | |
| Huang et al. | TransMRSR: transformer-based self-distilled generative prior for brain MRI super-resolution | |
| CN111899165A (zh) | 一种基于功能模块的多任务图像重建卷积网络模型 | |
| Shen et al. | Rapid reconstruction of highly undersampled, non‐Cartesian real‐time cine k‐space data using a perceptual complex neural network (PCNN) | |
| Yang et al. | Deep learning in medical image super resolution: a review | |
| CN114913262B (zh) | 采样模式与重建算法联合优化的核磁共振成像方法及系统 | |
| Li et al. | High quality and fast compressed sensing MRI reconstruction via edge-enhanced dual discriminator generative adversarial network | |
| WO2021104954A1 (en) | Hybrid compressed sensing image reconstruction | |
| CN108596995A (zh) | 一种pet-mri最大后验联合重建方法 | |
| Belov et al. | Towards ultrafast MRI via extreme k-space undersampling and superresolution | |
| Fu et al. | MDRANet: A multiscale dense residual attention network for magnetic resonance and nuclear medicine image fusion | |
| CN114358285A (zh) | 一种基于流模型的pet系统衰减校正方法 |
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 | ||
| WD01 | Invention patent application deemed withdrawn after publication | ||
| WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20190219 |