科研之友
微信
新浪微博
Facebook
分享链接
摘要
为了提高脑部磁共振成像（MRI）图像的空间分辨率，目前基于深度卷积神经网络（CNN）的超分辨率（SR）重建方法已经取得了显著的效果。为了提高重建质量，可以通过增加深度或宽度扩大网络的感受野，但会因参数量大、消耗资源多等问题导致模型难以训练；同时，网络对图像的中高频特征关注度不足，影响了重建质量。针对以上问题，设计了一种基于注意力和空洞编码解码的3D-MRI图像超分辨率重建网络。首先，在低分辨率空间进行特征提取，通过对称连接的空洞编码解码器提取图像特征，并缓解棋盘效应；其次，构建串联的通道-空间注意力模块，利用通道注意力获取各特征通道间的相互依赖关系，根据空间注意力自动学习不同位置的特征的权重，有效增强网络对中高频信息的学习；最后，使用亚像素卷积将特征图上采样到目标图像尺寸，降低模型的内存消耗。基于公开数据集Kirby21和BraTS的实验结果表明，相较于传统SR算法和基于CNN的主流SR算法，所提出的算法在峰值信噪比（PSNR）、结构相似度（SSIM）和主观视觉效果上均优于对比算法。
- 单位
