基于多分辨率学习卷积神经网络的磁共振图像超分辨率重建.pdf

基于多分辨率学习卷积神经网络的磁共振图像超分辨率重建 本文提出了一种基于多分辨率学习卷积神经网络的磁共振图像超分辨率重建方法。该网络是一个深度残差网络，包含用于特征提取的残差单元、多分辨率上采样的反卷积层以及多分辨率学习层。该网络可以在低分辨率图像空间中实现图像超分辨率，通过多分辨率上采样将多个残差单元信息融合，并加速网络。多分辨率学习可以自适应地确定各分辨率上采样的高维特征图对磁共振图像超分辨重建的贡献度。 在该网络中，残差单元用于特征提取，反卷积层用于多分辨率上采样，而多分辨率学习层则用于自适应地确定各分辨率上采样的高维特征图对磁共振图像超分辨重建的贡献度。该网络可以加速网络并提高磁共振图像超分辨率重建的性能。 实验结果表明，该方法可以很好地超分辨率重建磁共振图像，优于最新的深度学习方法。这项技术具有重要的医学诊断意义，因为高分辨率磁共振图像对于医学诊断具有重要意义。 本文的贡献主要在于： 1. 提出了基于多分辨率学习卷积神经网络的磁共振图像超分辨率重建方法。 2. 提出了多分辨率上采样方法，将多个残差单元信息融合，并加速网络。 3. 实验结果表明，该方法可以很好地超分辨率重建磁共振图像，优于最新的深度学习方法。 该技术可以应用于医学诊断、图像处理等领域，对于医学诊断具有重要意义。 知识点： 1. 卷积神经网络（Convolutional Neural Network，CNN）：是一种深度学习算法，用于图像识别、目标检测和图像分割等领域。 2. 深度学习（Deep Learning）：是一种机器学习算法，通过多层神经网络实现图像识别、自然语言处理等任务。 3. 多分辨率学习（Multi-Resolution Learning）：是一种机器学习算法，通过多分辨率上采样将多个残差单元信息融合，并加速网络。 4. 残差单元（Residual Unit）：是一种神经网络结构，用于特征提取和图像识别。 5. 反卷积层（Deconvolutional Layer）：是一种神经网络结构，用于多分辨率上采样和图像超分辨率。 6. 磁共振图像（Magnetic Resonance Image，MRI）：是一种医学图像，用于医疗诊断和研究。 7. 图像超分辨率重建（Image Super-Resolution）：是一种图像处理技术，用于将低分辨率图像转换为高分辨率图像。 本文提出了一种基于多分辨率学习卷积神经网络的磁共振图像超分辨率重建方法，该方法可以很好地超分辨率重建磁共振图像，优于最新的深度学习方法。这项技术具有重要的医学诊断意义，对于医学诊断具有重要意义。