计算机应用

作者：王一宁, 赵青杉, 秦品乐, 胡玉兰, 宗春梅

单位：1.忻州师范学院 计算机系，山西 忻州 034000；2.中北大学 大数据学院，太原 030051

关键词：超分辨率,深度学习,密集块,反卷积,双任务损失

基金：山西省自然科学基金资助项目(2015011045);山西省重点实验室开放课题(2016002);协同创新中心项目(WTSXTCX-01)

医学图像的清晰与否直接影响临床诊断。由于成像设备与环境因素的限制，往往不能直接获得高分辨率的图像，且大多数智能终端的硬件并不适合运行大规模深度神经网络模型，因此提出一种拥有较少的层和参数的轻量密集神经网络模型。首先，网络中使用密集块和跳层结构进行全局和局部图像特征学习，并将更多特征信息传入激活函数，从而使网络中浅层低级的图像特征更容易传播到高层，由此提高医学图像超分辨率重建的质量；然后，采用分阶段方法训练网络，并以双任务损失加强网络学习中的监督指导，从而解决高倍图像超分辨率重建导致的网络训练难度增加的问题。实验结果表明，与最近邻（NN）插值、双线性插值、双立方插值、基于卷积神经网络（CNN）的算法以及基于残差神经网络的算法相比，所提模型能更好地重建出医学图像的纹理细节，获得更高的峰值信噪比（PSNR）和结构相似性（SSIM），在训练速度和硬件消耗方面均取得了良好的效果，具有较高的实用价值。

来源：2022年第8期

《计算机应用》期刊编辑部

查看计算机应用杂志2022年第8期