基于TFEGAN的肺部超声图像超分辨率重建方法

摘要

超声图像超分辨率重建通过增加图像的高频信息，丰富其细节特征，有效提高了图像质量。针对现有超声图像超分辨率重建易出现细节扭曲的问题，提出一种基于纹理特征增强生成对抗网络（texture feature enhanced generative adversarial networks, TFEGAN）的肺部超声图像超分辨率重建方法。在该方法中设计了多尺度纹理特征提取模块，利用多分支结构充分提取肺部超声图像中不同尺度的纹理信息；采用通道注意力机制和多头自注意力机制对超分辨率生成对抗网络的特征提取层进行改进，使改进后的网络能够动态调整不同通道特征的权重并捕获长距离依赖关系，增强网络的全局特征表示能力；最后结合联合损失函数及自适应损失权重调整策略，建立了肺部超声图像超分辨率重建模型，实现了肺部超声图像的超分辨率重建。实验结果表明，本文所提方法的学习感知图像相似度（learned perceptual image patch similarity, LPIPS）指标相较于超分辨率生成对抗网络（super-resolution generative adversarial network, SRGAN）、增强超分辨率生成对抗网络（enhanced super-resolution generative adversarial networks, ESRGAN）、结构保持超分辨率网络（structure-preserving super resolution, SPSR）和内容感知局部生成对抗网络（content-aware local GAN, CAL-GAN）等算法分别提高了17.3%、3.76%、9.70%和2.85%，重建出的图像纹理细节清晰，图像整体质量得到有效提升。

关键词

图像超分辨率重建 / 纹理特征增强 / 生成对抗网络 / 自适应损失 / 肺部超声图像