2023-05-10计算机应用,JournalofComputerApplications2023,43(5):1612-1619ISSN1001-9081CODENJYIIDUhttp：//www.joca.cn基于特征金字塔网络和密集网络的肺部CT图像超分辨率重建申利华*，李波（武汉科技大学计算机科学与技术学院，武汉430081）（∗通信作者电子邮箱2469366101@qq.com）摘要：针对肺部计算机断层扫描（CT）图像的超分辨率（SR）重建中需要加大对肺结节的关注度、满足重建后的特征具有客观存在性等问题，提出一种基于特征金字塔网络（FPN）和密集网络的肺部图像SR重建方法。首先，在特征提取层利用FPN提取特征；其次，在特征映射层设计基于残差网络的局部结构，再用特殊的密集网络连接此类局部结构；再次，在特征重建层利用卷积神经网络（CNN）将不同深度的卷积层逐渐降为图像大小；最后，利用残差网络融合初始低分辨率（LR）特征与重建的高分辨率（HR）特征，形成最终的SR图像。对比实验显示，FPN中2次特征融合和特征映射中5个局部结构连接的深度学习网络效果更佳。所提出的网络相较于超分辨率卷积神经网络（SRCNN）等经典网络重建SR图像的峰值信噪比（PSNR）更高，并且可以获得更好的视觉质量。关键词：肺部计算机断层扫描图像；超分辨率重建；特征金字塔网络；密集网络；残差网络中图分类号：TP183；TP391.4文献标志码：ASuper-resolutionreconstructionoflungCTimagesbasedonfeaturepyramidnetworkanddensenetworkSHENLihua*，LIBo（SchoolofComputerScienceandTechnology，WuhanUniversityofScienceandTechnology，WuhanHubei430081，China）Abstract:TopaymoreattentiontopulmonarynodulesandsatisfytheobjectiveexistenceofreconstructedfeaturesinlungComputedTomography（CT）imageSuper-Resolution（SR）reconstruction，alungimageSRreconstructionmethodbasedonFeaturePyramidNetwork（FPN）anddensenetworkwasproposed.Firstly，atthefeatureextractionlayer，FPNwasusedtoextractfeatures.Secondly，thelocalstructurebasedonresidualnetworkwasdesignedatthefeaturemappinglayer，andthenthespecialdensenetworkwasusedtoconnectthelocalstructure.Thirdly，atthefeaturereconstructionlayer，ConvolutionNeuralNetwork（CNN）wasusedtograduallyreducetheconvolutionlayerswithdifferentdepthstotheimagesize.Finally，theresidualnetworkwasusedtointegratetheinitialLow-Resolution（LR）featuresandthereconstruc...
