具有中间损失的三维CT与MRI扫描超分辨率卷积神经网络
计算机视觉与模式识别
2023-04-07 v4 机器学习
图像与视频处理
摘要
如今医院常用的CT扫描仪产生低分辨率图像，尺寸最大达512像素。图像中一个像素对应一毫米的组织。为了准确分割肿瘤并制定治疗计划，医生需要更高分辨率的CT扫描。MRI中也出现同样的问题。在本文中，我们提出一种用于三维CT或MRI扫描单图像超分辨率的方法。我们的方法基于深度卷积神经网络（CNNs），其由10个卷积层和一个中间上采样层组成，该上采样层置于前6个卷积层之后。我们的第一个CNN在两个轴（宽和高）上提高分辨率，其后跟随第二个CNN，在第三轴（深度）上提高分辨率。与其他方法不同，我们在上采样层之后立即计算相对于真实高分辨率输出的损失，此外还在最后一个卷积层之后计算损失。中间损失迫使我们的网络产生更好的输出，更接近真实值。一种获得清晰结果的广泛使用方法是使用固定标准差添加高斯模糊。为了避免对固定标准差的过拟合，我们应用具有不同标准差的高斯平滑，这不同于其他方法。我们在两个数据库的CT和MRI扫描的二维和三维超分辨率背景下评估我们的方法，将其与文献中相关的已有工作以及基于各种插值方案的基线进行比较，使用2倍和4倍缩放因子。实证结果表明，我们的方法取得了优于所有其他方法的性能。此外，我们的人工标注研究表明，医生和常规标注者在97.55%的2倍缩放案例和96.69%的4倍缩放案例中均选择我们的方法而非Lanczos插值。
引用
@article{arxiv.2001.01330,
title = {Convolutional Neural Networks with Intermediate Loss for 3D Super-Resolution of CT and MRI Scans},
author = {Mariana-Iuliana Georgescu and Radu Tudor Ionescu and Nicolae Verga},
journal= {arXiv preprint arXiv:2001.01330},
year = {2023}
}
备注
Accepted in IEEE Access