针对岩石薄片图像超分辨率重建过程中因纹理复杂导致现有重建方法效果不理想的问题,提出面向岩石薄片图像的超分辨率网络模型(super-resolution denoising diffusion probability model of rock slice,rsDDPMSR).针对传统上采样方法往...针对岩石薄片图像超分辨率重建过程中因纹理复杂导致现有重建方法效果不理想的问题,提出面向岩石薄片图像的超分辨率网络模型(super-resolution denoising diffusion probability model of rock slice,rsDDPMSR).针对传统上采样方法往往会导致伪影和低分辨率图像先验信息利用不充分的问题提出分层特征增强网络(layered feature enhancement network,LFE-Net),利用双通路网络对平稳小波变换分解后的高频与低频分量进行分层特征增强.为引导扩散模型的生成方向并提供丰富先验信息,将经过LFE-Net增强后的低分辨率特征与目标高分辨率加噪图像特征通道拼接作为扩散模型的条件输入.在U-Net的基础上设计了双编码器多尺度噪声预测网络(ACA-U-Net)有效处理岩石薄片多尺度信息并在跳跃连接中引入时间感知的自适应交叉注意力机制适配扩散模型不同去噪阶段的特征分布变化增强模型对关键区域的关注程度,有效提升图像重建细节.实验结果表明,rsDDPMSR在2×、4×、8×放大倍数下,峰值信噪比(PSNR)和结构相似度(SSIM)相比于CAMixerSR、SDFlow、IDM和SR3等主流重建方法具有更优的重建效果.展开更多
目的构建一种基于深度学习的小肝癌磁共振影像超分辨重建模型,通过联合优化高频细节与解剖合理性,提升小肝癌病灶的影像细节可视性,提升小肝癌扩散加权成像(DWI)检查的图像质量及临床应用价值。方法回顾性分析2022年12月~2024年6月我院...目的构建一种基于深度学习的小肝癌磁共振影像超分辨重建模型,通过联合优化高频细节与解剖合理性,提升小肝癌病灶的影像细节可视性,提升小肝癌扩散加权成像(DWI)检查的图像质量及临床应用价值。方法回顾性分析2022年12月~2024年6月我院300例小肝癌患者的3 mm DWI数据。采用GE Discovery7503.0 T扫描仪采集图像,按8∶2比例随机分为训练集(n=240)和测试集(n=60)。构建双分支超分辨模型:内容分支通过级联梯度Transformer块提取全局特征,梯度分支通过梯度Transformer块增强结构信息;创新性引入:(1)交叉局部增强自注意力模块,以优化块内像素特征与全局上下文信息的交互;(2)通道-空间联合注意力层,通过动态权重分配增强关键解剖结构的可视性。由3名高年资放射科医师采用5分制Likert量表对原始弥散加权成像(ORDWI)和超分辨弥散加权成像(SRDWI)进行盲法评分,同时计算峰值信噪比、结构相似度等客观指标。结果SRDWI的主观评分优于ORDWI:肝结节信号特异性(3.41±0.53 vs 2.47±0.50)、正常肝实质均匀性(3.29±0.47 vs 2.78±0.42)、伪影干扰程度(2.56±0.52 vs 2.47±0.48)及整体图像质量(3.15±0.49 vs 2.67±0.48)上的主观评分优于ORDWI(P<0.001)。图像噪声水平(3.98±0.61 vs 2.87±0.46)超分后略有增加(P<0.05),但仍在临床可接受范围内,不影响关键特征的判读。客观指标显示SRDWI的峰值信噪比(34.65489 dB)和结构相似度(0.90365)均表现优异。结论该深度学习模型可显著提升3 mm-DWI图像质量,使薄层DWI的诊断效能接近常规厚层扫描水平,为小肝癌精准诊断提供技术支持。展开更多
文摘针对岩石薄片图像超分辨率重建过程中因纹理复杂导致现有重建方法效果不理想的问题,提出面向岩石薄片图像的超分辨率网络模型(super-resolution denoising diffusion probability model of rock slice,rsDDPMSR).针对传统上采样方法往往会导致伪影和低分辨率图像先验信息利用不充分的问题提出分层特征增强网络(layered feature enhancement network,LFE-Net),利用双通路网络对平稳小波变换分解后的高频与低频分量进行分层特征增强.为引导扩散模型的生成方向并提供丰富先验信息,将经过LFE-Net增强后的低分辨率特征与目标高分辨率加噪图像特征通道拼接作为扩散模型的条件输入.在U-Net的基础上设计了双编码器多尺度噪声预测网络(ACA-U-Net)有效处理岩石薄片多尺度信息并在跳跃连接中引入时间感知的自适应交叉注意力机制适配扩散模型不同去噪阶段的特征分布变化增强模型对关键区域的关注程度,有效提升图像重建细节.实验结果表明,rsDDPMSR在2×、4×、8×放大倍数下,峰值信噪比(PSNR)和结构相似度(SSIM)相比于CAMixerSR、SDFlow、IDM和SR3等主流重建方法具有更优的重建效果.
文摘目的构建一种基于深度学习的小肝癌磁共振影像超分辨重建模型,通过联合优化高频细节与解剖合理性,提升小肝癌病灶的影像细节可视性,提升小肝癌扩散加权成像(DWI)检查的图像质量及临床应用价值。方法回顾性分析2022年12月~2024年6月我院300例小肝癌患者的3 mm DWI数据。采用GE Discovery7503.0 T扫描仪采集图像,按8∶2比例随机分为训练集(n=240)和测试集(n=60)。构建双分支超分辨模型:内容分支通过级联梯度Transformer块提取全局特征,梯度分支通过梯度Transformer块增强结构信息;创新性引入:(1)交叉局部增强自注意力模块,以优化块内像素特征与全局上下文信息的交互;(2)通道-空间联合注意力层,通过动态权重分配增强关键解剖结构的可视性。由3名高年资放射科医师采用5分制Likert量表对原始弥散加权成像(ORDWI)和超分辨弥散加权成像(SRDWI)进行盲法评分,同时计算峰值信噪比、结构相似度等客观指标。结果SRDWI的主观评分优于ORDWI:肝结节信号特异性(3.41±0.53 vs 2.47±0.50)、正常肝实质均匀性(3.29±0.47 vs 2.78±0.42)、伪影干扰程度(2.56±0.52 vs 2.47±0.48)及整体图像质量(3.15±0.49 vs 2.67±0.48)上的主观评分优于ORDWI(P<0.001)。图像噪声水平(3.98±0.61 vs 2.87±0.46)超分后略有增加(P<0.05),但仍在临床可接受范围内,不影响关键特征的判读。客观指标显示SRDWI的峰值信噪比(34.65489 dB)和结构相似度(0.90365)均表现优异。结论该深度学习模型可显著提升3 mm-DWI图像质量,使薄层DWI的诊断效能接近常规厚层扫描水平,为小肝癌精准诊断提供技术支持。
