陈胜娣

摘要： 针对医学图像分辨率低导致视觉效果差的问题，提出一种基于生成对抗网络的医学图像超分辨率重建方法。使用生成对抗网络架构，由生成器重建高分辨率图像，再将生成器生成的高分辨率图像送入判别器判断真伪。通过实验验证了该方法的有效性，在视觉效果和数值结果上都有所提高。

关键词： 生成对抗网络; 超分辨率重建; 残差网络; 医学图像

中图分类号：TP391.41          文献标识码：A     文章编号：1006-8228（2021）10-15-05

Super-resolution reconstruction of medical image using

generative adversarial networks

Chen Shengdi

（College of Computer Engineering， Maoming Polytechnic， Maoming， Guangdong 525011， China）

Abstract： Because of the low-resolution medical image has poor visual effects， this paper propose a super-resolution reconstruction method with generative adversarial networks to generate clearer medical image. Using the generation countermeasure networks， the high-resolution images are reconstructed by the generator， and then the images are sent to the discriminator to judge the authenticity. The experimental results show that the proposed method is effective， and both the visual effect and numerical results are improved.

Key words： generative adversarial networks; super-resolution reconstruction; residual network; medical image

0 引言

高分辨率的医学图像可以提供更加清晰的病灶信息，方便医生更加精准判别病变的部位，辅助医生進行医疗诊断。受到现有的医疗成像环境和成像系统的局限性影响，直接获取高分辨率医学图像的设备成本高[1]。图像超分辨率重建技术是从低分辨率图像重建出高分辨率图像的技术[2]。因此，可以借助超分辨率重建技术来提高图像分辨率，改善图像质量。

目前超分辨率重建技术主要有基于插值、基于重建和基于学习三类方法[3]。基于插值的方法一般是通过基函数估计相邻像素点之间的像素值，如：双线性插值、双三次插值。这类方法性能稳定、计算复杂度低，但是难以重建得到图像的高频信息，重建图像存在伪影、模糊等现象，重建效果较差。基于重建的方法一般是利用图像自相似性特点加以约束，重建图像降质过程中丢失的高频信息[4]，如：凸集投影法、迭代反投影法，这类方法高度依赖先验知识且重建的图像缺乏细节纹理信息。……