基于生成对抗网络和注意力机制的医学图像超分辨率重建

摘要

高分辨率的医学图像可以为临床应用和图像分析提供重要信息,然而医学成像受到硬件的限制,图像分辨率必须在扫描时间、信噪比以及空间覆盖等因素之间权衡。针对这一问题可以使用超分辨率重建技术进行解决,以实现感知真实的高分辨医学图像。本文对超分辨率重建生成对抗网络(SRGAN)模型中的残差结构进行优化,并结合混合注意力机制,提出一种具有空间和通道注意力的残差特征提取模块,并将该模块用于构建生成对抗网络(GAN)的生成器。除此之外,在SRGAN的损失函数的基础上加入全变分损失,以提升图像局部细节的锐度。为了考虑图像的真实退化过程,在数据处理中使用退化学习模拟CT低分辩图像。本文采用肺结核患者的胸部CT图像进行训练和测试,实验结果表明该方法能够更好地重建CT图像中的细节部分,可以为患者提供更好的病变纹理,具有一定的临床诊断价值。