论文部分内容阅读
在医学图像分割、配准、影像组学以及计算机辅助诊断过程中,高分辨率的医学图像可以显著提高实验精度。由于磁共振成像(Magnetic Resonance Imaging,MRI)设备和图像采集时间的限制,通常不能采集得到质量较高的三维MRI图像,这些采集的图像大多在MRI切片内的分辨率很高,在切片之间的分辨率较差,这严重影响MRI影像分析任务的实验精度。因此三维MRI超分辨率重建的研究对现代医学MRI影像分析的发展与进步有重要意义。对于单轴向头部MRI图像数据,本文提出了基于多尺度密集连接卷积的MRI超分辨率重建方法。在层间距为2 mm条件下,输入的数据大小为5×256×256的三维医学图像,输出是9×256×256的三维医学图像,在相邻层间重建出新的图像,完成片间的超分辨率重建。模型使用密集连接卷积作为基础模块,进行多尺度信息融合,通过密集的连接增强了网络的特征传播,通过池化降低图像的分辨率以获得不同尺度的图像信息,使用了三次下采样,和三次转置卷积,在每次下采样前和转置卷积后都使用了密集卷积模块,在下采样和转置卷积过程中将相同尺寸的图像进行跳跃连接。实验结果显示,在层间距为2 mm条件下重建图像的峰值信噪比为43.86 d B,结构相似性为0.995。对于多轴向头部MRI图像数据,本文提出了多轴向MRI图像预处理方法,对多个轴向的MRI图像进行空间对齐。根据在MRI成像过程中是否记录空间位置关系,分别提出了基于空间几何计算的空间对齐方法和基于通道注意力的全局残差网络MRI图像空间对齐模型。空间对齐模型输入为三个轴向的MRI图像各一张,模型的输出为三个轴向MRI图像交点在各自平面的横纵坐标,模型使用了多个通道注意力级联以及全局残差结构,实验结果表明,不同轴向MRI数据对齐误差为1.11-2.20 mm。对于多轴向头部MRI图像数据,在空间对齐的基础上,本文提出基于Transformer和CNN混合框架的MRI超分辨模型。模型的输入数据是空间对齐后的冠状面、矢状面和横断面切片覆盖的MRI空腔结构数据,输出为空腔内部数据。模型引入自注意力机制重点解决超分辨重建过程中的图像纹理保护问题,有效保护了重建图像的纹理结构,并将超分辨问题聚焦在较小的三维空腔内部,便于模型的应用。本文比较了多种层间距下的重建效果,为了增强网络的训练效果本文采用了迁移学习的方法。试验结果表明,在层间距为4 mm条件下重建图像的峰值信噪比为36.81 d B,结构相似性为0.887。本文针对3D MRI图像切片之间层间距较大的问题,提出了两种MRI数据空间对齐方法和两种超分辨重建方法,实现多种层间距条件下的单一轴向和多轴向MRI图像的三维超分辨率重建,重建图像较为清晰,为医学图像分析任务扩充了数据集。