自监督超声图像超分辨率模型

针对真实场景中超声图像鲜有LR-HR对的情况，基于ZSSR、CycleGan提出的自监督超分辨率模型

项目背景

超声成像因其成本低、无辐射、连续动态记录等优点而被广泛应用于医疗诊断。然而，由于其固有的技术限制，面临着以下挑战：

由于Low-cost、声衍射极限和噪声等限制，超声图像通常存在细节扭曲、低分辨率的问题
传统监督学习方法需要处理数百个超声帧，带来巨大的计算负担和数据处理时间
数据采集时间长（几秒到几十秒）增加了对组织和呼吸运动的敏感性，zao cheng l
真实医疗场景中缺乏低分辨率-高分辨率（LR-HR）样本对

数据集

CCA-US数据集

✦ 来自10名不同年龄和体重的志愿者

✦ 包含84张颈总动脉(CCA)超声图像

SonoSkills数据集

✦ 由SonoSkills和Hitachi Medical Systems Europe提供

✦ 包含125张肝脏、心脏和纵隔等超声图像

网络架构与创新点

基于双向CycleGAN的自监督生成式神经网络，通过创新性的架构设计和学习范式，实现IFC较ZSSR提升133.8%的突破性成果

核心架构设计

利用循环一致性的自监督学习机制，无需配对数据即可训练
设计多尺度LR-HR生成器，有效提取和重建图像特征
引入高斯噪声的HR-LR生成器，提高模型鲁棒性
综合成像损失：整合四大损失函数优化模型性能

技术创新亮点

无配对数据的自监督学习范式，突破传统监督学习限制
多尺度生成器架构设计，实现高效特征提取与精确重建
创新的损失函数组合策略，优化图像质量与细节保真度的平衡

网络架构图 — 网络整体架构图

LR到HR的转换 — LR-HR生成器

HR到LR的转换 — HR-LR生成器

性能分析

在US-CASE和CCA-US两个数据集上，我们的模型相比现有方法取得了显著的性能提升

表 3-1 对不同方法在 PSNR/SSIM 指标上的表现比较

Dataset	US-CASE		CCA-US
	PSNR	SSIM	PSNR	SSIM
Bicubic	20.721	0.685	25.984	0.766
SRCNN	20.639	0.696	25.352	0.756
SRGAN	24.318	0.855	27.917	0.900
Our proposed	29.492	0.858	33.835	0.901

表 3-2 对不同方法在 PSNR/IFC 指标上的表现比较

Dataset	US-CASE		CCA-US
	PSNR	IFC	PSNR	IFC
SRFeat	24.402	1.139	26.815	1.144
EDSR	23.747	0.953	25.768	0.989
ZSSR	32.017	1.108	34.184	1.058
Our proposed	31.884	2.590	34.558	2.246

超分辨率效果对比 — 超分辨率效果对比：从左到右分别为低分辨率输入、双三次插值、SRCNN、SRGAN和我们的方法