7、基于深度学习的医学图像增强技术解析

基于深度学习的医学图像增强技术解析

1. 卷积神经网络基础层介绍

卷积神经网络（CNN）在医学图像增强领域发挥着重要作用，其包含多个关键层，下面我们来详细了解这些基础层。

1.1 卷积层

卷积层是CNN的核心组成部分，主要分为2D卷积和3D卷积。
- 2D卷积 ：在CNN中，通过使用滤波器（或内核）对输入数据进行卷积操作，从而生成特征图。如图所示，一个3×3的黄色滤波器在蓝色输入图像上滑动，卷积结果会存储在红色的特征图中。滤波器覆盖的区域被称为感受野。在超分辨率（SR）的CNN中，会使用不同的滤波器对输入进行多次卷积，生成不同的特征图，最后将这些特征图拼接作为卷积层的输出。
- 3D卷积 ：与2D卷积不同，3D卷积使用三维滤波器对数据集进行操作，滤波器在x、y、z三个方向移动以计算低级特征表示。其输出是一个三维的体积空间，如立方体。相较于传统的2D卷积，3D卷积能整合更多像素，有效保留切片之间的连续像素信息。近年来，基于3D卷积的CNN在医学图像增强、CT或MR图像的病变分类和检测中越来越受欢迎。

graph LR
    A[输入数据] --> B[2D卷积]
    A --> C[3D卷积]
    B --> D[2D特征图]
    C --> E[3D特征图]

1.2 反卷积层

反卷积是一种常用的方法，用于找到一组内核和特征图，以重建图像。在超分辨率处理中，它对于放大图像非常有用，因为需要正确预测和计算