《表5 MRI数据集在不同网络上的PSNR/SSIM》

  提示：宽带有限、当前游客访问压缩模式

本系列图表出处文件名：随高清版一同展现

《基于深度学习网络的医学核磁共振成像超分辨率重构实验》

1. 获取 高清版本忘记账户？点击这里登录

1. 下载图表忘记账户？点击这里登录

经过各个深度网络模型的训练，各个模型在本文的MR数据集中得出结果具有明显的体现。从图5和表5可以看出，ESRGAN算法从视觉上的纹理更加丰富。SRFBN算法的PSNR指标和SSIM指标相对其他算法的指标更加突出。本文可以得出这样的结论：首先，针对同一个网络，不同的器官部位的SR效果明显不同，这主要是由于各个器官的原始分辨率，采集过程中的磁场强度，以及该器官自由水和结合水的比重等多原因引起。其次，本文可以针对不同部位，定制化设计出一种专门适应于此器官的网络。表5中虽然RDN网络在头颈、乳房、膝盖等器官中表现并不突出，但该网络明显在头颅中的PSNR/SSIM为38.05/0.9565，较其他网络更好，这说明不同靶器官可以定制化设计超分辨率网络。