用于CT和MRI扫描三维超分辨率的带有中间损失的卷积神经网络

目前医院中普遍使用的CT扫描仪生成的图像分辨率较低，最大尺寸仅为512像素，图像中的每个像素对应于1毫米的组织体积。为了实现肿瘤的精确分割并制定治疗方案，医生需要更高分辨率的CT图像。MRI图像也面临同样的问题。本文提出一种针对三维CT或MRI扫描图像的单图像超分辨率重建方法。该方法基于深度卷积神经网络（CNN），网络结构包含10层卷积层，并在前6层卷积之后引入一个中间上采样层。首先，第一阶段的CNN在宽度和高度两个方向上提升图像分辨率；随后，第二阶段的CNN在第三个方向（深度）上进一步实现分辨率提升。与现有方法不同，我们在上采样层之后即对真实高分辨率图像（ground-truth）计算损失函数，同时也在最后一层卷积之后计算损失。这种中间损失机制促使网络输出更接近真实高分辨率图像，从而提升重建质量。传统上，为获得清晰的图像结果，常采用固定标准差的高斯模糊进行后处理。为避免模型对某一固定标准差产生过拟合，本文采用多种不同标准差的高斯平滑处理，相较于其他方法更具鲁棒性。我们在两个公开数据库的CT和MRI数据集上，对二维与三维超分辨率任务进行了评估，采用2倍和4倍的放大因子，将所提方法与文献中相关工作以及基于多种插值算法的基线方法进行了对比。实验结果表明，本方法在各项指标上均优于现有方法。此外，通过人工标注评估实验发现，在2倍上采样情况下，医生与普通标注人员在97.55%的案例中更倾向于选择本方法而非Lanczos插值；在4倍上采样情况下，该比例为96.69%。结果充分证明了本方法在临床应用中的优越性与实用性。