融合生物视觉机制的肺医学图像超分辨率重建新方法

《Medical & Biological Engineering & Computing》：Super-resolution reconstruction of lung medical images integrating biological vision mechanisms

本研究针对医学图像超分辨率重建过程中纹理细节和上下文信息丢失的难题，提出了一种融合Gabor细节特征提取模块（GDfeM）的生成对抗网络。该方法通过模拟生物视觉机制，显著提升了纹理细节的生成与判别能力，并在ChestX-ray8和Kaggle CT数据集上实现了优异的PI值（分别为3.820和2.552），表明其能生成更完整、逼真的高分辨率医学图像，对精准医疗具有重要意义。

　　

针对医学图像超分辨率（Super-Resolution, SR）重建过程中纹理细节信息和上下文信息丢失的问题，本研究受生物视觉机制启发，构建了一种Gabor细节特征增强的超分辨率网络（Gabor Detail feature–enhanced Super-Resolution Network）。该网络框架基于生成对抗网络（Generative Adversarial Network, GAN），包含一个密集残差网络（Dense Residual Network）生成器和一个双路径U-Net判别器。

研究中专门设计了Gabor细节特征提取模块（Gabor Detail feature extract Module, GDfeM）来模拟视觉系统中简单细胞（Simple Cells）的工作机制，以解决纹理细节丢失问题。为了增强生成器对纹理细节的生成能力，研究人员用GDfeM模块替换了密集残差网络中的一个卷积块；同时，为了提升判别器对纹理细节特征的提取能力，他们沿着主路径U-Net的结构，串联了多个GDfeM模块和普通卷积核，构建了一个细节特征提取路径。该路径通过跳跃连接（Skip Connections）与主路径并行，共同构成了双路径判别器（Dual-Pathway Discriminator）。

此外，为了解决医学图像超分辨率重建中上下文信息缺失导致的失真和伪影（Artifacts）问题，本研究引入了上下文损失函数（Context Loss Function），使网络能够更加关注图像的上下文结构信息。

实验结果表明，在ChestX-ray8数据集和Kaggle综合CT扫描成像（Computed Tomography）数据集上进行4倍超分辨率任务时，该方法取得了峰值信噪比（PSNR）分别为36.562 dB和35.560 dB，结构相似性（SSIM）分别为0.921和0.903，感知指数（Perceptual Index, PI）分别为3.820和2.552的成绩。尽管其PSNR和SSIM值并非所有对比方法中最高的，但获得的PI值在所有方法中是最低的，这证明了该方法在帮助获得纹理细节更完整、更真实、更准确的高分辨率图像方面发挥着重要作用。