8、深度学习在医学图像增强中的应用

深度学习在医学图像增强中的应用

1. 密集块与反卷积层

1.1 密集块结构

一个标准的密集块由 8 个卷积层组成，增长率为 16，输出有 128 个特征图，这样可以防止网络变得过宽。也就是说，一个 DenseNet 块总共可以创建 128 个特征图。

1.2 反卷积层的作用

反卷积层可以学习不同的上采样核，这些核共同用于预测高分辨率（HR）图像，它可以被看作是卷积层的逆操作。使用反卷积层进行上采样有两个优点：
- 加速超分辨率（SR）重建过程：整个计算过程在反卷积处理之前在低分辨率（LR）空间中进行，从而显著降低了计算成本。
- 提取和学习 LR 图像中的大量上下文信息：以推断高频细节。然后，使用两个连续的 3×3 核和 256 个特征图的反卷积层进行上采样。

在网络中，所有特征图都会被拼接起来，为后续的反卷积层提供大量的特征图。

2. 用于图像超分辨率的残差密集网络（RDN）

2.1 RDN 的提出背景

随着网络深度的增加，每个卷积层中的特征会具有不同的感受野，呈现出层次结构。然而，以前的 SR 工作忽略了充分利用每个卷积层的信息，因为局部卷积层无法直接访问后续层。

2.2 RDN 的结构

RDN 由四部分组成：浅层特征提取网络、残差密集块（RDBs）、密集特征融合和上采样网络。假设存在 D 个残差密集块，第 d 个 RDB 的输出 Fd 可以通过以下公式获得：
[F_d = H_{RDB,d}(F_{d - 1}) = H_{RDB,d}(H_{RDB,d - 1}(\cdots (H_{