基于深度学习的图像超分辨率对二值信号检测的影响
图像与视频处理
2021-07-07 v1 计算机视觉与模式识别
医学物理
摘要
基于深度学习的图像超分辨率(DL-SR)在医学成像应用中已显示出巨大前景。迄今为止,大多数提出的 DL-SR 方法仅通过使用计算机视觉领域常用的传统图像质量(IQ)度量进行了评估。然而,这些方法对医学成像任务相关的客观图像质量度量的影响在很大程度上仍未被探索。在本研究中,我们考察了 DL-SR 方法对二值信号检测性能的影响。利用模拟医学图像数据训练了两种流行的 DL-SR 方法:超分辨率卷积神经网络(SRCNN)和超分辨率生成对抗网络(SRGAN)。构建了信号已知确切且背景已知统计(SKE/BKS)以及信号已知统计且背景已知统计(SKS/BKS)检测任务。采用数值观察者(包括神经网络近似理想观察者和常见线性数值观察者)来评估 DL-SR 对任务性能的影响。量化了 DL-SR 网络架构复杂度对任务性能的影响。此外,还研究了 DL-SR 在改善次优观察者任务性能方面的效用。我们的数值实验证实,正如预期,DL-SR 能够改善传统 IQ 度量。然而,在所考虑的许多研究设计中,DL-SR 方法在任务性能上几乎未带来改善,甚至可能造成退化。观察到在特定条件下 DL-SR 可改善次优观察者的任务性能。本研究强调了客观评估 DL-SR 方法的迫切需求,并提出了提升其在医学成像应用中效能的途径。
引用
@article{arxiv.2107.02338,
title = {Impact of deep learning-based image super-resolution on binary signal detection},
author = {Xiaohui Zhang and Varun A. Kelkar and Jason Granstedt and Hua Li and Mark A. Anastasio},
journal= {arXiv preprint arXiv:2107.02338},
year = {2021}
}