磁共振成像(Magnetic Resonance Imaging,MRI)技術是一種無損傷、軟組織對比度高和多參數(shù)的成像方法,相比較其他的成像技術例如X線,超聲等具有獨特優(yōu)勢,因此迅速成為最重要的臨床診斷工具之一。在圖像后處理和對身體器官的病理評估過程中,高分辨率磁共振圖像是必不可少的。但是磁共振圖像的分辨率卻受到例如硬件條件,患者舒適程度,信噪比和掃描時間等多種因素的限制。一種高效且具有成本效益的解決方法是將單幅圖像超分辨率(Single image super resolution,SISR)技術應用在磁共振圖像上。單幅圖像超分辨率是指應用計算機技術,在不改變硬件條件的情況下,通過單幅低分辨率圖像恢復出高分辨率圖像。目前,隨著深度學習技術在計算機視覺領域的廣泛應用,基于卷積神經(jīng)網(wǎng)絡(Convolution Neural Network,CNN)的圖像超分辨率重建技術在3D-MR圖像超分辨率重建上取得了顯著的效果。本文重點研究基于深度學習的3D-MR圖像超分辨率重建算法,主要工作如下:(1)針對基于深度學習的3D-MR圖像超分辨重建算法大量使用3D卷積,從而造成深度卷積網(wǎng)絡參數(shù)量過大...

【文章頁數(shù)】：61 頁

【學位級別】：碩士

【文章目錄】：
摘要
abstract
第一章 緒論
    1.1 研究背景及意義
    1.2 研究現(xiàn)狀及發(fā)展
        1.2.1 基于插值的3D-MR圖像超分辨率重建算法
        1.2.2 基于重構的3D-MR圖像超分辨率重建算法
        1.2.3 基于學習的3D-MR圖像超分辨率重建算法
    1.3 本文的主要工作
    1.4 本文的章節(jié)安排
第二章 深度學習和3D-MR圖像超分辨率重建相關知識
    2.1 圖像降質(zhì)模型
    2.2 圖像超分辨率重建性能指標
        2.2.1 峰值信噪比
        2.2.2 結構相似性
        2.2.3 平均意見得分
    2.3 深度學習相關知識
        2.3.1 深度學習介紹
        2.3.2 人工神經(jīng)網(wǎng)絡
        2.3.3 卷積神經(jīng)網(wǎng)絡
        2.3.4 卷積神經(jīng)網(wǎng)絡的參數(shù)量和計算成本
    2.4 基于深度學習的3D-MR圖像超分辨率重建方法
        2.4.1 SRCNN-3D算法
        2.4.2 ReCNN算法
        2.4.3 DCSRN算法
    2.5 本章小結
第三章 面向3D-MR圖像的3D可分離卷積研究與實現(xiàn)
    3.1 引言
    3.2 卷積的空間分解
    3.3 基于殘差學習的3D可分離卷積
    3.4 基于S3D-ReCNN網(wǎng)絡的超分辨率重建算法
    3.5 實驗準備
        3.5.1 軟硬件平臺
        3.5.2 數(shù)據(jù)集
        3.5.3 預處理過程
        3.5.4 實驗設置
    3.6 相關實驗
        3.6.1 重建性能對比和分析
        3.6.2 損失函數(shù)對重建性能的影響
    3.7 本章小結
第四章 基于S3D-RBDN的超分辨率重建算法研究與實現(xiàn)
    4.1 引言
    4.2 算法原理分析
    4.3 S3D-RBDN網(wǎng)絡結構
        4.3.1 基于3D可分離卷積的殘差密集塊
        4.3.2 塊間密集連接
    4.4 相關實驗
        4.4.1 S3D-RDB數(shù)目對重建性能的影響
        4.4.2 消融實驗
        4.4.3 重建性能對比和分析
    4.5 本章小結
第五章 總結與展望
致謝
參考文獻



本文編號：3939611