文献类型：期刊文章

作　　者：张金迪[1] 贾媛媛[1] 祝华正[2] 李洪碧[1] 杜井龙[1]

ZHANG Jindi;JIAYuanyuan;ZHU Huazheng;LI Hongbi;DU Jinglong(College of Medical Informatics,Chongqing Medical University,Chongqing 400016,China;School of Intelligent Technology and Engineering,Chongqing University of Science and Technology,Chongqing 401331,China)

机构地区：[1]重庆医科大学医学信息学院,重庆400016 [2]重庆科技学院智能技术与工程学院,重庆401331

出　　处：《计算机工程与应用》

基　　金：重庆市自然科学基金面上项目(CSTB2023NSCQ-MSX0130);重庆市自然科学基金(cstc2021jcyj-bshX0168);重庆市教委青年研究项目(KJQN202101501,KJQN202001513);重庆医科大学研究生智慧医学专项(YJSZHYX202218)。

年　　份：2024

卷　　号：60

期　　号：13

起止页码：228-236

语　　种：中文

收录情况：AJ、BDHX、BDHX2023、CSCD、CSCD_E2023_2024、INSPEC、JST、RCCSE、ZGKJHX、核心刊

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。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;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;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。

关 键 词：超分辨率重建 注意力机制  亚像素卷积  空洞卷积  3D-MRI  

分 类 号：TP391.4]