STUDY 研究 87
Zhang H M等人
[22]
提出JSR-Net(joint
spatial-Radon domain reconstruction
net),利用深度卷积神经网络模型,同时
重建CT图像及其对应的Radon投影变
换图像,得到了比PD-Net更好的重建结
果 。第 二 类 方 法 是 目 前 主 要 的 重建方式,
即采用图像去伪影的后处理模型进行重
建 。用 于 图 像 降 噪 、超 分 辨 重 建 的 模 型 都
可以用于该类型的图像重建,如Lee D等人
[23]
提出带有残差模块的U-Net模型结构来
学习重建图像与原始欠采样图像之间的伪
影;随后,他们又提出利用双路U-Net模型
对相位图像和幅度图像进行重建,进而提
高了MR图像的重建质量
[24]
;S c h l e m p e r J
等人
[25]
采用深度级联的卷积神经网络
(convolutional neural network,CNN)
模型,学习动态MR图像采集的时序关系,
进而在快速采集下提高动态MR图像的重
建 质 量 ;H a n Y 等 人
[26]
采用域适应微调方
法,将CT图像重建的网络应用到MR图像
重建上,可以实现高采样率下的准确重建;
Eo T等人
[27]
提出KIKI-Net,同时在K空间
和图像空间域上使用深度学习网络进行重
建,提高了MR图像重建的性能;Bao L J等
人
[28]
采用一个增强递归残差网络,结合残
差块和密集块的连接,用复数图像进行训
练 ,得 到 了 较 好 的 M R 图 像 重 建 结 果 ;D a i
Y X等人
[29]
基于多尺度空洞卷积设计深度
残差卷积网络,以较少的网络参数提高了
MR图像的重建精度;受到GAN在视觉领
域 成 功 应 用 的 启 发 ,Y a n g G 等 人
[30]
提出一
种深度去混叠生成对抗网络(DAGAN),
以消除MRI重建过程中的混叠伪影;Quan
T M等人
[31]
提出一种具有周期性损失的
RefinGAN模型,以极低的采样率提高了
MR图像的重建精度;Mardani M等人
[32]
基
于LS-GAN损失,采用ResNet的生成器和
鉴别器来重建MR图像,获得了较好的可
视化结果。
图像降噪、图像超分辨率重建、图像
重建等均属于反问题求解。因此,其模型
可互相通用,本文不对其进行一一阐述。
2.2 医学图像合成
2.2.1 医学图像数据扩展
目前,临床上医学图像合成主要有两
个 目 的 。其 一 ,扩 展 数 据 集 ,以 获 得 大 量 医
学影像样本来训练深度学习模型,从而提
高临床诊断和预测的准确度。尽管已有很
多数据扩展方法,如平移、旋转、剪切、加
噪 声 等 ,但 是 其 数 据 扩 展 方 式 无 法 满 足 数
据多样性的需求,在提升深度学习模型的
预测精度以及泛化能力上仍有待提高。其
二,模拟成像。由于不同模态的医学图像可
以提供不同的信息,融合不同模态的医学
影像信息可以提高临床诊断精度。然而同
一个病人的多模态影像信息很难获取,此
时 图 像 合 成 便 提 供 了一 种 有 效 的 手 段 。此
外,某些新兴的成像技术对成像设备具有
较高的要求,仅少数的医院及科研机构可
以 满 足 要 求 ,因 此 图 像 合 成 为 获 取 稀 缺 的
影像数据提供了可能。
随着GAN模型在自然图像合成上的
成功应用,应用GAN的衍生模型进行医
学图像合成已成为近几年的研究热点。在
医学图像数据集扩展方面,主要采用无条
件的GAN模型进行合成,即主要从噪声
数 据 中 生 成 医 学 图 像 。常 用 的 方 法 是 以 深
度卷积生成对抗网络(deep convolutional
GAN,DCGAN)为基线模型进行改进。如
Kitchen A等人
[33]
基于DCGAN模型成功地
合 成 了 前 列 腺 的 病 灶 图 像 ;S c h l e g l T 等 人
[34]
基于DCGAN提出一种AnoGAN模型,用
来生成多样的视网膜图像,以辅助视网膜
疾病的检测
;
Chuquicusma M J M等人
[35]
采用DCGAN模型生成肺结节数据,其结
2020056-5