面向残差网络与Adam优化算法的医学图像卷积超分辨率重建

赵小红 衡春妮 杜淑娟

摘要：文章分析一种医学图像卷积超分辨率重建方式，其中运用到残差网络和卷积神经网络，能够直接在地分辨率图像上提取特征，于是简化了操作程序，将会提高图片处理效率，然后还使用Adam优化算法进行优化。将文章所研究的算法和其他算法进行实验研究，研究结果表明，本文所研究的算法具有更好精确度和效率，能够提高收敛速度，更有利于提高医学图像的检查结果。

关键词：残差网络;Adam优化算法;卷积神经网络;超分辨率

中图分类号：TP391.41;TP183

文献标识码：A

文章编号：1001-5922（2020）12-0078-04

在医学领域中存在很多图像需要进行处理，超分辨率重建技术属于一个热点问题，主要作用就是对将低分辨率图像进行重建，然后得到高分辨图像[1-2]。使用该技术的最大优势在于不需要对硬件设备进行改善，就能实现提高图像质量的作用[3-4]。由于超分辨率重建技术在很多领域中能够发挥重要作用，于是近几年来，对其进行了不断深入研究，Dong等人首先提出了基于超分辨率卷积神经网络（SRCNN）的方法，相比于传统的方式具有较好的重建效果[5]。于是在此基础上，提出了更多不同的重建方法，比如基于反卷积的快速图像超分辨率重建（FSRCNN）、高效子像素卷积神经网络（ESPCN）和深度卷积神经网络模型（VDSR）等[6-7]。在此基础之上，文章提出了基于深层残差网络的加速图像超分辨率重建方法（ DRSR）。

1 DRSR算法网络结构图

本文所研究的重建算法应用了较深的卷积网络，于是在提取特征过程是，可以直接在低分辨率图像上经常操作。另外，深度的增加，也增加了精确度。DRSR算法网络结构图如图1所示，该算法的主要特点在于使用了2种相结合的模式，一个是多权重的递归学习，另一个是多路径模式的局部残差学习。卷积后图像会存在信息丢失的风险，于是文章使用了零填充方式能够保证信息不丢失[8]。另外，DRSR算法不适用池化层，因为与超分辨率算法目的相违背。

1.1 深层神经网络结构

由于本算法是直接对原始图像进行特征提取，于是需要应用比较小的卷积核提取相同信息，由于引进卷积层，图像特征提取将会变多。文章将会对基于卷积神经网络的视觉识别算法进行借鉴，该算法由牛津大学VCC小组提出，该模型中卷积层为3x3，通道数量c设置为1，滤波器的数量为32，Conv（32，3，1）表示卷积层，公式如下所示：

P（x）的作用就是将低分辨率图像特征插入到高分辨率图像中，在放人过程中需要依据特定位置，然后周期性的让人。对图像进行重新排列时需要使用到子像素卷积层，然后还需要将插值函数放人到卷积层中，从而达到自动学习的目的。图像变换大小时是在最后一层上进行实现。由于卷积运算直接在原始图像上进行，于是可以提高算法的效率。

1.2 残差网络模型

虽然增加网络深度能够提取更多的特征，但是也會造成一定的问题，即网络难以收敛。于是使用2种学习方式相互结合的模式，如图2所示。

1.3参数优化

深层卷积神经网络在训练过程中，会对网络进行进行优化，从而使得参数是最优结果。文章将会使用Adam优化算法对参数进行优化，原本使用的优化方法为随机梯度下降法，改为Adarn优化算法的作用是经过偏置校正之后，会让参数变得更加的平稳，另外，损失函数还是使用的均方误差。梯度的一阶矩阵mt和二阶矩阵nt用以下公式进行表示：

2 实验结果和分析

为了验证算法是否具有较好的性能，对其进行实验研究。实验首先得到相关参数的最优设置，再对研究该参数下算法的性能。

2.1 层数设置

将放大倍数设置为3，然后对层数为6、10和12的网络模型进行训练和测试，然后进行迭代106次。得到图3所示的变化曲线，从图中可以看出，曲线变化最终会趋于平稳状态，从而可以反映网络已经完全收敛;并且处于12层的网络具有更低的损失函数，即将网络层设置为12层将会更利于图像处理效果。

2.2 激活函数比较

由于激活函数会影响模型的速度和性能，于是在选择过程中需要选择最为合适的激活函数。经过对集中函数进行对比分析，发现tanh函数具有比较复杂的计算方式，但是能够提高收敛速度，好能够解决梯度容易消失的问题。ReLU也是一种比较复杂的函数，但是在应用过程中可能会造成神经元坏死。图4对为这2种函数的对比分析，从结果中可以看出tanh函数具有更好的性能，而且收敛速度更快，所以文章选择tanh作为激活函数。

2.3 速度比较

残差网络结构直接在原图上进行操作，不仅提高的工作效率，而且还降低了计算复杂度。在set 5测试集情况下，图5为不同算法处理医学图像的时间，从图中可以看出，即使文章所设计的算法增加了深度，但是其速度相比于其他几个算法具有明显的提升作用，且当深度为12时的网络模型，其运行时间更快，所以最终选择深度为12的网络模型。

2.4 优化方法的比较

文章使用了Adam优化算法，为了验证其应用效果，将其和其他2种算法进行比较，即加速梯度下降法（NAG）和随机梯度下降法（SGD）。图6即为3个算法的比较，从图中可以看出，Adam优化算法具有更加明显的效果，所以文章选择Adam优化算法能够提高医学图像处理效果。

2.5 滤波器数量比较

滤波器数量也会对超分辨率性能造成影响，于是文章对3种不同的滤波器数量进行实验研究，图7即为检验结果，虽然滤波器增强其数量能够提升其性能，但是优惠增加模型的计算量和复杂度，从而降低运行效率，于是设置滤波器数目不能过大也不能过小，通过综合考虑之后，将其设置为32能够达到更好的效果。

2.6 实验结果

为了研究本文所分析的算法的優势，于是将其与其他算法进行比较，在测试时将倍数放大为2、3和4倍。最后得到每种算法的PSNR值和SSIM值，分别如表l和表2所示，从表中可以看出，相比于双3次插值算法，本文所研究的算法明显提高了PSNR值和SSIM值，相对于其他算法，本文所研究的算法其PSNR值和SSIM值也有一定程度的提高，所以本文所研究的算法在处于医学图像上具有更高的效率和精确度。

3 结语

文章分析了深层残差卷积神经网络模型，能够直接在原始医学图像中进行特征提取，并且使用了Ad-am优化算。通过实验结果表明，与其他算法相比，文章所分析的算法具有更好的精确度和效率，于是在医学图像的分析处理中具有更好的效果，更有利于医生做出合理的诊断结果。

参考文献

[1]黄浩锋，肖南峰，基于组稀疏表示的医学图像超分辨率重建[J].计算机科学，2015，42（SI）：151-153+189.

[2]陈敏强，深度卷积神经网络超分重建技术驱动的卫星遥感影像融合研究[D].南昌：东华理工大学，2019.

[3]苏衡，周杰，张志浩.超分辨率图像重建方法综述[J].自动化学报，2013，39（08）：1202-1213.

[4]龙祥.基于深度学习的图像超分辨率重建技术研究[D].江门：五邑大学，2019.

[5] Dong Chao， Loy Chen Change， He Kaiming， et al.lm-age Super- Resolution Using Deep Convolutional Net-works [J].IEEE Transactions on Pattern Analysis&Ma-chine Intelligence， 2016， 38（2）：295-307.

[6] Shi Wenzhe， Caballero Jose， Huszar Ferenc， et al.Re-al-Time Single Image and Video Supe-Resolution Us-ing an Efficient Sub-Pixel Convolutional Neural Network[J].IEEE Conference on Computer Vision and PatternRecognition.2016：1874-1883.

[7] Dong Chao ， Loy Chen Change， Tang Xiaoou.Acceler-ating the Super- Resolution Convolutional Neural Net-work[J].European Conference on Computer Vision ， 2016 ：391-407.

[8]孙超，吕俊伟，李健伟，等，基于去卷积的快速图像超分辨率方法[J].光学学报，2017，037（012）：142-152.