张 建，贾媛媛,1b，贺向前，韩宝如，祝华正，杜井龙

(1.重庆医科大学 a.医学信息学院; b. 医学数据研究院，重庆 400016;2.重庆科技学院 智能技术与工程学院，重庆 401331)

高分辨率磁共振图像(MRI, magnetic resonance images)可以为医生提供更加丰富的病理信息，提高诊断可信度，在医疗诊断中极其重要。然而在MRI成像过程中，获取高分辨率的图像需要更长的扫描时间和更高的信噪比，但病人难以长时间保持静止不动。为了缩短扫描时间，通常采用方法是加大扫描层厚，但是这将会导致3D-MRI图像的分辨率降低，最终限制后期对图像的处理、分析和疾病的诊断。

超分辨率(SR, super resolution)重建是一种利用单幅或多幅低分辨率图像重建出高分辨率图像的技术。近年来，随着深度学习技术的发展，基于学习的SR重建算法取得了较好的效果。基于深度卷积神经网络(DCNN, deep convolutional neural network)的SR重建算法能够自动从数据中提取特征，可以构建更为抽象的特征表示，因此取代了手工提取特征和创建算法的传统机器学习方法以及其它浅层学习算法。Pham[1]和Srinivasan[2]等人将卷积神经网络(CNN, convolutional neural network)用于SR重建3D-MRI图像，取得了较理想的重建结果。为不断提高3D-MRI图像SR重建精度，研究者们提出了多种不同的网络结构。如Pham[1]等提出了3D残差卷积神经网络，对脑部3D-MRI图像进行多尺度SR重建；Chen[3]等人使用3D稠密网络(DenseNet)在K空间对3D-MRI图像进行SR重建，该算法可以实现特征复用，减少模型参数。然而，上述基于CNN的SR重建算法以提高峰值信噪比(PSNR, peak signal to noise ratio)为训练目标，但PSNR度量无法模拟人类的视觉机制，会导致SR结果过于平滑、细节模糊，具有重建精度低、感知质量差等缺点。……