基于结构自适应归一化卷积的磁共振图像超分辨率重建

目的 探讨一种针对磁共振图像超分辨率重建的有效算法.方法 根据图像间存在的微小结构差异,应用结构自适应归一化卷积算法,对重复扫描获取的磁共振图像进行超分辨率重建,同时运用其他4种常用超分辨率重建算法进行相同处理,计算峰值信噪比,比较重建效果.结果 结构自适应归一化卷积算法与其他算法相比,能够更好地保留磁共振图像的边缘和细节特征.结论 结构自适应归一化卷积算法结合了局部结构信息,可获得质量较好的高分辨率磁共振图像.     

自适应超分辨率图像的重建算法

背景：超分辨率重建已经在视频、遥感等许多领域内的到广泛的研究与应用。 目的：介绍一种自适应超分辨率重建算法,以期从序列低分辨率图像中重建出高分辨率图像。 方法：采用常数λ=2/3作为正则化参数和自适应步长作为第一种方案。第二种方案充分考虑到低分辨率图像中的运动误差估计、点扩散函数以及加性高斯白噪声对重建算法的影响。实验构造出新的非线性自适应正则化函数,进而利用实验方法分析代价函数的凸性。通过数学理论,根据代价函数凸性实验得到自适应步长因子,从而改进了图像的空间分辨率和算法的收敛速度。 结果与结论：为验证此算法的有效性,采用光学图像进行实验。方案二图像峰值信噪比增高,其收敛速度为方案一的2倍以上;方案二的平均计算需要的时间为68.25 s。结果证实,自适应超分辨率图像重建算法对图像分辨率和迭代的收敛速度均改善显著,其稳定性较好。     

基于自适应微分同胚多分辨率Demons算法的多模态磁共振图像配准

微分同胚Demons能保证变形场的光滑可逆性,避免不合理形变的产生,但迭代次数需手动设定,且对配准结果影响较大。为解决此问题,提出自适应微分同胚的多分辨率Demons算法。首先利用非刚性配准的优化理论框架和多分辨率的策略,引入基于灰度的相似度能量函数,并设置配准终止条件,最终实现迭代次数的自适应。用check board图像,相同模态和不同模态的磁共振图像进行测试,采用配准评价指标进行定量分析,并分析不同驱动力和参数对配准结果的影响。实验结果表明:对于相同模态的磁共振图像,均方误差为514.796 5,归一化互相关系数为0.999 3,结构相似度为0.994 8;对于不同模态的磁共振图像,均方误差为1 354.1,归一化互相关系数为0.593 5,结构相似度为0.511 6;该算法均方误差最小,归一化相关系数、结构相似度最高;该算法具有高效性和鲁棒性,可用于磁共振图像的非刚性配准。     

基于医学图像的超分辨率重建算法综述

随着临床对医学图像高分辨率的要求,基于低分辨率医学图像的超分辨率重建算法已成为研究热点,该类方法在不需要改进硬件设备的情况下,可以显著提高图像分辨率,因此对其进行综述具有重要意义。针对医学图像领域中特有的超分辨率重建算法,首先分析了该类算法的研究现状,并将其分为三类:基于插值的超分辨率重建、基于重构的超分辨率重建和基于学习的超分辨率重建。同时,基于MR图像、CT图像、超声图像等细分医学图像领域,深入分析了超分辨率重建算法的研究进展,并对不同类型的算法进行了归纳总结和比对分析。其次,对超分辨率重建算法所对应的评价标准也进行了介绍。最后,展望了超分辨率重建技术在医学图像领域的发展趋势。当前应用于医学图像领域的超分辨重建算法已经发展到一定水平,逐步突破基于单一方法的研究形式,通过与机器学习和稀疏表示等理论的深度融合,形成了更高效的算法。     

基于自适应T型和菱形搜索算法的CT图像的MAP重建

图像的超分辨率重建就是从一个低分辨率序列中重建出一幅高分辨率的图像.而运动估计则直接影响超分辨率重建的效果.我们提出一种基于物体边缘的自适应运动估计方法,对物体的边缘部分采用菱形搜索的方法,保证运动估计的精确度.对物体内部和背景部分采用自适应T型搜索和菱形搜索相结合的方法.保证运动估计的快速性.将这种运动估计的结果应用到最大后验概率(MAP)重建的过程中,可以保证图像重建算法的可靠性.通过对CT投影数据的分析并进行MAP重建,可以获得良好的高分辨率图像.     

自适应图像全变差约束的有限角度CT重建算法

针对有限投影角度的CT图像重建问题,提出一种改进的基于自适应图像全变差（Total p Variation, TpV）约束的代数迭代重建算法。改进算法采用两相式重建结构,首先利用代数重建技术（ART）算法重建中间图像并做非负修正,然后利用自适应TpV正则项约束图像稀疏特性,进一步优化重建结果,其中正则项可根据图像区域特性自适应的调整决定平滑强度的参数p,两项交替进行直到满足收敛要求。本文应用经典的Shepp-Logan体模对改进算法进行仿真重建,以重建图像及其局部放大图作为主观分析依据,以profile图和归一化绝对距离值作为客观评估标准,与经典的ART-TV算法进行比较,对比分析重建结果发现:本文算法重建图像不仅与真实体模更接近,重建误差更小,而且能更好地保护图像的边缘特性。     

基于神经网络学习的锥形束CT图像超分辨率重建算法

针对锥形束CT（CBCT）图像质量较差的问题,提出一种基于卷积神经网络的超分辨率重建（SRCNN）方法,旨在提高CBCT图像的分辨率。本研究分别对头颈、盆腔、胸部的CBCT图像进行研究,先使用非局部均值（NLM）方法对图像进行降噪处理,再分别使用双三次插值重建（BIC）方法和SRCNN重建方法进行超分辨率重建。结果表明,BIC方法和SRCNN重建方法均能提高CBCT图像的分辨率,SRCNN重建方法较BIC方法有更高的峰值信噪比,而在结构相似度和特征相似度上,BIC方法和SRCNN重建方法的差别不大。从图像峰值信噪比及特征相似度上看,此方法对盆腔部CBCT图像处理效果更为显著,对头颈部及胸部处理效果相近。     

基于频域约束和交叉融合特征网络的磁共振图像超分辨率重建算法

磁共振（MR）图像常用于临床医学诊断，获得高分辨率MR图像有利于进行医学分析。目前主流的基于参考的图像超分辨率重建算法重建的图像，其视觉效果取得了明显的提升，但仍存在明显的伪影问题。针对该问题，提出频域约束和交叉融合特征网络（FCCF）模型，即引入频域损失函数作为约束条件，并构建一种多分辨率特征融合机制，通过交叉融合不同分辨率的图像特征来提高生成图像的质量，使重建结果具有更清晰的细节，没有明显的伪影。在合成和真实的MR图像数据集上分别用PSNR和SSIM指标进行评估，实验结果明显优于现有的超分辨率重建方法。     

图像域自适应线性自回归MRI图像客观质量提升算法研究

目的磁共振成像(magnetic resonance imaging,MRI)是临床医学影像检查的重要手段,然而受限于检查时间,高客观质量的MRI图像难以获得,有效提高MRI图像分辨率成为研究热点。本文为高效地提高MRI图像分辨率,减少患者检查时间,提出图像域的基于线性自回归模型自适应客观质量提升算法。方法首先,创建基于距离权重的自回归模型获得插值系数;其次,利用自适应算法解决自回归算法中插值矩阵病态的问题;最后,通过对标准数据库中具有不同噪声水平的图像进行测试。结果本算法重建图像的峰值信噪比(peak signal to noise ratio,PSNR)平均值比经典算法提高1.8~4 d B,结构相似度(structural similarity index measurement,SSIM)指标平均提高0.02~0.06。结论图像域自适应线性自回归MRI图像客观质量提升算法在有效提高MRI图像分辨率的同时,保持了较高的客观质量。     

基于图像自相似性的多尺度稀疏表示肺4D-CT图像超分辨率重建

针对肺四维计算机断层摄影(4D-CT)数据层间分辨率远低于层内分辨率的各项数据异性问题,提出一种基于图像自相似性的多尺度稀疏表示超分辨率重建方法,用以提升肺4D-CT图像的分辨率。所提出的方法通过探索验证肺4D-CT数据横断面与冠矢状面图像的自相似性,以横断面图像代替冠矢状面图像,组成高分辨率和低分辨率图像块对,构建训练集;引入多尺度策略,根据四叉树原理划分得到不同尺度的图像块,训练得出全局多尺度字典,以捕获更多肺部解剖结构特征;通过稀疏表示超分辨算法重建得出冠矢状面的高分辨率图像。利用仿真数据和真实数据对提出的算法进行实验验证,量化评价与视觉效果均体现本研究算法在提升图像清晰度以及改善图像细微结构显示质量方面的优越性,同时还可有效避免对算法精度及耗时产生影响的运动估计过程。     

基于深度学习网络的医学核磁共振成像超分辨率重构实验

基于深度学习网络的医学核磁共振（MR）图像超分辨重建实验研究,提出并构建一个大规模的高质量用于MR图像超分辨的数据集,涵盖了头颅、膝盖、乳房以及头颈4个部位。通过数据质量筛选和不同低分辨率图像生成方式,在原始图像的高分辨率基础下,以×2、×3、×4的下采样尺度,原始MRI图像形成3种不同尺度下的MR图像数据集,同时给出不同部位超分辨难易程度分析。采用7个在自然图像的超分辨率领域中取得最好效果的深度学习网络,将它们迁移到MR图像中,学习低分辨率MR图像到高低分辨MR图像的映射关系,并对比分析这些深度学习网络在自然图像的超分辨效果。通过实验可以看出,深度学习网络在MR图像超分辨取得了比传统算法更好的效果,部分结果不亚于自然图像;不同部位的超分辨效果差异较大,难以以一个深度学习网络使不同部位均具有更好的超分辨效果。深度学习网络在MR图像超分辨将具有重要的应用价值和理论意义。     

磁共振部分K空间重建算法

磁共振成像（MRI）是必要的获取临床图像的影像学方法之一,但是它获取数据过程缓慢使得成像时间过长。目前提出了许多高效的成像算法来降低磁共振的成像时间,如半傅里叶成像和压缩感知MRI等。半傅里叶成像仅采用多于一半的K空间数据进行图像重建,不仅提高了MRI的成像速度,而且降低了运动伪影,是有效的部分K空间重建技术之一。基于压缩感知理论的MRI仅采用25%~30%的K空间数据就能重建出MRI图像,与其它成像技术相比,可在相同的扫描时间内获得更高质量的MRI图像,也可在相同的空间分辨率下加速成像。本文综述几种半傅里叶成像算法的原理,也阐述了压缩感知理论与MRI相结合的原理,包括MR图像的稀疏表示、K空间的采样轨迹设计、重建算法的选择等。     

基于穿越长度权重反投影重建算法的初步研究

目的：直接反投影是一种快速简便的CT图像重建方法,但由于星形伪影会使图像模糊。为有效地改善CT反投影重建图像的质量,提出一种新的基于穿越长度权重的反投影重建算法,为图像重建提供一种新算法;同时穿越长度的计算方法也能为代数重建算法中的投影系数的计算提供一种新方法。方法：采用VC＋＋6．0工具设计模拟软件,对Shepp-Logan模型进行计算机模拟扫描获得投影数据,同时计算各射线穿越各体素的长度．以穿越长度作为权重对获取的数据进行反投影重建图像。结果：开发出一个具有模拟X-CT扫描与重建功能的软件,该软件能直观地显示传统直接反投影和基于穿越长度权重的反投影重建算法得出的图像,并能对得到的图像进行定量评价和定性分析。结论：基于穿越长度的反投影重建算法能有效地减少星状伪影,提高重建图像的质量,且评价指标（归一化均方距离判据d,归一化平均绝对距离判据r,最坏情况距离判据e）都优于传统的插值法;同时开发出的软件具有可扩展性,为其他算法的实现及比较提供一个良好的平台。     

显微荧光去卷积成像评价方法的研究

目的 为了降低荧光显微图像的噪声和离焦平面的信息,提高图像清晰度,并评价去卷积成像方法的性能,本文进行显微荧光去卷积成像评价方法的研究.方法 首先,将测得的系统点扩散函数作用于共聚焦显微镜采集的endoG-GFP标记的人乳腺癌细胞MCF-7图像,得到模糊图像,然后采用Richardson-Lucy（R-L）算法对模糊的荧光图像进行去卷积运算,并对去卷积成像方法的性能进行了分析和评估.结果 显微荧光去卷积成像方法可有效去除焦平面外荧光信息,显著提高荧光图像的清晰度.结论 显微荧光去卷积算法结合有效的评价方法在未来有望用于微流控细胞培养的成像,对活体细胞和组织的三维结构的研究有一定的参考价值.     

Segmented multiple plane reconstruction: a novel approximate reconstruction scheme for multi-slice spiral CT

A new reconstruction scheme for multi-row spiral CT is described and results are presented. The spiral path is decomposed into small, overlapping segments which are used for a separate convolution and backprojection yielding a stack of segment images which contain only projection data of a partial scan (typically in the range of 20). These segment image stacks are, in a second step, reformatted to the requested image planes. In a third step, the reformatted segment images are added to obtain full images. The main benefit of the proposed algorithm is superior images quality. A 64-row dataset with a cone angle of 6.4 and a table feed of 80 mm per spiral turn has been reconstructed with excellent image quality. A filter direction for three-dimensional (3D) backprojection algorithms is suggested by investigating the limit where the partial scan size goes to zero.     

3D Isotropic Super-resolution Prostate MRI Using Generative Adversarial Networks and Unpaired Multiplane Slices

We developed a deep learning–based super-resolution model for prostate MRI. 2D T2-weighted turbo spin echo (T2w-TSE) images are the core anatomical sequences in a multiparametric MRI (mpMRI) protocol. These images have coarse through-plane resolution, are non-isotropic, and have long acquisition times (approximately 10–15 min). The model we developed aims to preserve high-frequency details that are normally lost after 3D reconstruction. We propose a novel framework for generating isotropic volumes using generative adversarial networks (GAN) from anisotropic 2D T2w-TSE and single-shot fast spin echo (ssFSE) images. The CycleGAN model used in this study allows the unpaired dataset mapping to reconstruct super-resolution (SR) volumes. Fivefold cross-validation was performed. The improvements from patch-to-volume reconstruction (PVR) to SR are 80.17%, 63.77%, and 186% for perceptual index (PI), RMSE, and SSIM, respectively; the improvements from slice-to-volume reconstruction (SVR) to SR are 72.41%, 17.44%, and 7.5% for PI, RMSE, and SSIM, respectively. Five ssFSE cases were used to test for generalizability; the perceptual quality of SR images surpasses the in-plane ssFSE images by 37.5%, with 3.26% improvement in SSIM and a higher RMSE by 7.92%. SR images were quantitatively assessed with radiologist Likert scores. Our isotropic SR volumes are able to reproduce high-frequency detail, maintaining comparable image quality to in-plane TSE images in all planes without sacrificing perceptual accuracy. The SR reconstruction networks were also successfully applied to the ssFSE images, demonstrating that high-quality isotropic volume achieved from ultra-fast acquisition is feasible.