基于轻量级可逆网络的肺部CT图像超分辨率算法研究.pdf

华中科技大学硕士学位论文

摘要

肺部疾病是全球常见的健康问题，其患病率持续升高。计算机断层扫描

（ComputedTomography，CT）技术在检查肺部情况方面具有关键作用。然而，现有

超分模型未聚焦局部细节和边缘轮廓，未充分考虑肺部CT图像特征分布不均的独特

性质。同时，现有超分模型复杂度高且运算量大，使得在计算设备资源有限的医疗机

构中部署成为重要挑战。

针对现有超分模型对肺部CT图像局部细节超分辨率不足导致医生对患者病理

状况误判的难题，现有模型未聚焦高频特征，因此提出一种融合残差通道注意力机制

和可逆网络的肺部CT超分辨率模型。针对现有超分模型复杂度过高导致在医疗机构

计算设备资源受限环境下难以部署的难题，现有模型未考虑肺部CT图像信息分布差

异大，因此在前述模型的基础上提出一种轻量级分类残差通道注意力可逆超分辨率

网络（LightweightClassificationResidualChannelAttentionInvertibleSuper-Resolution

Network，LCRCAIRN），包括轻量级分类模块和多路径超分辨率模块。根据肺部CT

图像的信息密度，将图像划分为低、中、高频三类，并针对不同频率使用相应的超分

辨率网络，在降低模型复杂度的同时保证了超分辨率重建效果。

实验结果表明，残差通道注意力可逆超分辨率网络模型能有效地对边缘轮廓和

局部细节进行超分辨率重建。对于轻量级分类残差通道注意力可逆超分辨率网络模

型，与现有的二阶注意力卷积神经网络相比，LCRCAIRN在保持超分性能的前提下

将时间复杂度降低了63.3%，空间复杂度降低了82.0%。LCRCAIRN兼顾了模型轻

量化与准确度的双重需求，能够在肺部CT医学图像超分辨率领域实现较好的落地。

关键词：肺部CT图像超分辨率；可逆网络；轻量级分类；残差通道注意力

I

华中科技大学硕士学位论文

Abstract

Lungdiseasesareaprevalenthealthissueglobally,withanincreasingincidencerate.

ComputedTomography(CT)playsapivotalroleinlungexamination.However,current

super-resolutionmodelsdonotfocusonlocaldetailsandedgecontours,neglectingthe

uniquepropertyofunevenfeaturedistributioninlungCTimages.Simultaneously,these

modelshighcomplexityandlargecomputationalrequirementsposesignificantchallenges

fordeploymentinmedicalinstitutionswithlimitedcomputationalresources.

Toaddresstheproblemofinsufficientsuper-resolutionoflocaldetailsinlungCT

imagesbycurrentmodels,leadingtomisjudgmentsofpatientspathologicalconditionsby

physicians,alungCTsuper-resolutionmodelintegratingresidualchannelattention

mechanismandreversiblenetworkisproposed.Thismodelemphasizeshigh-frequency

featuresthat