结合局部增强与L1/2范数的脑MRI超分辨率重建

姚喻凡 黄洪全

摘要：核磁共振（MR）成像受到医学机器操控人员的操作经验，操作人员与病人的协作程度以及设备运行状况等因素的影响，所获取的图像没有足够高的分辨率。针对这样问题，提出了局部特征增强EQSR（Enhanced quality super resolution）算法。实验结果表明：EQSR算法可以有效实现MRI的超分辨率重建，组织细节恢复效果明显，在组织结构恢复和客观质量标准评价方面，其性能优于绝大多数的MRI超分辨率方法。

关键词：超分辨率重建;脑部MRI;通道分离结构;通道注意力;卷积神经网络

中图分类号：TP311      文献标识码：A

文章编号：1009-3044（2021）26-0121-02

开放科学（资源服务）标识码（OSID）：

1 引言

超分辨率重建MR图像使得图像能应用于清晰化低分辨率图像以及AI肿瘤识别算法的训练上，具有重要的实际价值和意义，创新点主要有以下三个方面：

1） 利用残差结构防止深层的网络结构梯度消失和梯度爆炸，使系统具有更强的鲁棒性，并用小尺度卷积层复合叠加在减少计算量的同时，匹配大尺度卷积带来的等量感受野。

2） 在总体结构上，利用跳跃链接将前几层的增强块输出都连到最后，引入改进的通道注意力模块和亚像素卷积块，提升信息丰富度以达到增加图像的细节的效果。

3） 模型引入L1/2[2]范数作为结构的损失调节，重构的图像视觉效果更好，获得比L1范数更高的信噪比。

实验结果表明，EQSR算法对比起其他SR算法有更强的鲁棒性。在组织结构边缘清晰化，消除伪影、噪声信号和超分辨率重建速度上优于大多数的SR算法。

2 MRI图像超分辨率重建EQSR网络

2.1 网络结构

在本文的算法中，把增强块n之前的增强块输出特征图用跳跃链接的方式融合起来，在其后接一個压缩模块减少通道数量。网络结构如下图1所示，最后的增强块用公式（1）表示，[En]表示第n个增强块输出，[Eall]表示加和所有的增强块到一起的特征输出。[concat]是合并数组的操作，将增强块按照通道拼接起来，合并他们的输出。

[Eall= concat（En，En-1，En-2，…，E1）]                   （1）

2.1.1 残差结构的设计

残差结构的出现使得原本只有20～30层之间的深度学习神经网络提升至百层甚至几百层的神经网络。深度残差网络ResNet[3]（Deep Residual Net）在2015由何恺明提出，并完成目标检测、图像识别和目标定位三大机器学习代表性任务的屠榜，在ILSVRC上性能指数甩开一众选手许多。将残差结构添加到神经网络当中，既解决了梯度消失、梯度爆炸的问题，又使得网络的性能得到进一步的提升。

2.1.2 上采样结构设计

如下图2所示是进行2、3倍上采样的采样模块。图3是4倍上采样的结构，利用两个2、3倍上采样进行叠加。上采样的过程主要作用是建立起由低分辨率图像生成多尺度高分辨率的图像。一般的神经网络会采用反卷积层对特征图进行卷积转置，但是其中需要人工操作添加像素点，会引入一些人为因素造成的误操作，影响重建质量。本文采用亚像素卷积层，引用ESPCN[4]模型。整个上采样模块采用学习后特征图与原输入放大进行融合的方式，保证模型良好的重建效果以及更短的重建速度。

3 实验

3.1实验数据组成以及实验设备

本实验的数据集选自NAMIC（National Alliance for Medical Image Computing）的脑部MRI数据库（http ： //hdl.handle.net/1926/1687）。NAMIC数据集包含20个3D MRI图像，每个3D图像由176个256×256切片组成，体素大小为[1×1×1mm3]，T1w矩阵大小（TR = 7.4 m s，TE = 3 m s）和T2w（TR = 2500 m s，TE = 80 m s）。该算法的训练依赖于强大的TensorFlow框架，所有训练均在PC端上完成。计算机配置为：3.6GHz Ryzen-5-3600 CPU和NVIDIA GTX 1660Ti，利用通用并行计算构架CUDA10.0实现。其中应用的激活函数是LReLU，batch size大小设置为16，学习率[α]设置为0.0002.每迭代训练10次，[α=80%α]。算法总共迭代100次。整个训练过程用时11小时。

3.2实验评估指标

为了选择适合MR图像的评价标准，选用最根本的PSNR峰值信噪比和结构评判标准SSIM作为本次实验的指标。其中MSE表示均方误差，如公式（2）所示：

[MSE=1W×Hi=1HjWy（i，j）-y（i，j）2]        （2）

上式中[y（i，j）]表示重建预测图，[y（i，j）]表示真实图像，W和H分别表示图像像素的宽和高，MSE和PSNR的关系如公式（3）所示。SSIM属于全参考图像质量评价指标，分别从对比度，图像结构以及图像亮度去评判图像的相似度。SSIM如公式（4）所示：

[PSNR=10log10（255MSE）2]                       （3）

[SSIM（y，y）=1N×y，y=1N（2μyμy+c1）（2σyy+c2）（μy2+μy2+c1）（σy2+σy2+c2）]  （4）