文献类型：期刊文章

作　　者：张建[1] 贾媛媛[1,2] 贺向前[1] 韩宝如[1] 祝华正[3] 杜井龙[1]

ZHANG Jian;JIA Yuanyuan;HE Xiangqian;HAN Banru;ZHU Huazheng;DU Jinglong(College of Medical Informatics,Chongqing 400016,P.R.China;Medical Data Science Academy,Chongqing Medical University,Chongqing 400016,P.R.China;College of Intelligent Technology and Engineering,Chongqing University of Science and Technology,Chongqing 401331,P.R.China)

机构地区：[1]重庆医科大学医学信息学院,重庆400016 [2]重庆医科大学医学数据研究院,重庆400016 [3]重庆科技学院智能技术与工程学院,重庆401331

出　　处：《重庆大学学报》

基　　金：国家自然科学基金资助项目(No.61702064);重庆市教育委员会科学技术研究计划青年资助项目(KJQN202001513);重庆市教育委员会科学技术研究项目(KJQN201800442);重庆医科大学智慧医学项目(ZHYX202018);重庆市自然科学基金资助项目(cstc2021jcyj-msxm4008)。

年　　份：2022

卷　　号：45

期　　号：5

起止页码：114-124

语　　种：中文

收录情况：BDHX、BDHX2020、CSCD、CSCD2021_2022、IC、JST、RCCSE、SCOPUS、ZGKJHX、核心刊

摘　　要：高分辨率磁共振图像(MRI,magnetic resonance images)能够提高疾病诊断精度,但高分辨率MRI图像的获取十分困难。基于深度学习的图像超分辨率(SR,super resolution)技术可有效地提高图像分辨率。近年来,生成对抗网络(GANs,generative adversarial networks)为3D-MRI图像SR重建提供了新思路。相较于传统的基于深度卷积神经网络(DCNN,deep convolutional neural network)的SR算法,GANs网络以人类视觉机制为目标,且引入判别函数,使重建3D-MRI图像更接近真实图像。研究采用增强超分辨率生成对抗网络(ESRGAN,enhanced super-resolution generative adversarial networks)对3D-MRI图像进行SR重建;并利用3D-MRI图像的跨层面自相似性,将重建任务降维到2D,在保证重建效果的基础上,减少了网络训练时间和内存需求。通过与其他传统算法和基于DCNN算法对比实验表明,提出的算法能够进一步提高3D-MRI图像的视觉质量。

关 键 词：磁共振成像 生成对抗网络  超分辨率重建

分 类 号：TP391]