ABSTRACT

Thin-slice computed tomography (CT) examination plays an important role in the screening of suspected and confirmed coronavirus disease 2019 (COVID-19) outbreak patients. Therefore, improving the image resolution of COVID-19 CT has important clinical value for the diagnosis and condition assessment of COVID-19. However, the existing single-image super-resolution (SISR) methods mainly increase the receptive field of convolution kernels by deepening and widening the network structure, and adopt the equal processing methods in the airspace and channel domains with different importance, and a large number of computing resources will be wasted on the unimportant features. We propose a progressive U-Net residual network (PURN) for COVID-19 CT images super-resolution (SR) to solve the practicality of existing models, to better extract features, and reduce the number of parameters. First, we design a dual U-Net module (DUM), which can efficiently extract low-resolution (LR) COVID-19 CT images feature. Second, the DUM module first performs up-block three times, and then down-blocks three times in order to learn the interdependence between high-resolution (HR) and LR images more efficiently. Finally, the local skip connection structure is introduced in the DUM module, and the global long skip connection structure is introduced in the reconstruction layer to further enrich the flow of reconstructed HR image information. Experimental results show that our algorithm effectively improves the SR reconstruction effect of COVID-19 CT images, restores its detailed features more sharply, and greatly improves the practicability of the algorithm.

摘要

薄层计算机断层扫描 (CT) 检查在筛查疑似和确诊的 2019 冠状病毒病 (COVID-19) 暴发患者中发挥着重要作用。因此，提高COVID-19 CT的图像分辨率对于COVID-19的诊断和病情评估具有重要的临床价值。然而，现有的单图像超分辨率（SISR）方法主要通过加深和加宽网络结构来增加卷积核的感受野，在不同重要性的空域和信道域中采用同等处理方法，大量的计算资源将浪费在不重要的功能上。我们为 COVID-19 CT 图像超分辨率 (SR) 提出了渐进式 U-Net 残差网络 (PURN)，以解决现有模型的实用性，更好地提取特征，并减少参数的数量。首先，我们设计了一个双 U-Net 模块 (DUM)，它可以有效地提取低分辨率 (LR) COVID-19 CT 图像特征。其次，DUM 模块首先执行 3 次 up-block，然后执行 3 次 down-block，以便更有效地学习高分辨率 (HR) 和 LR 图像之间的相互依赖性。最后，在DUM模块中引入局部跳跃连接结构，在重构层引入全局长跳跃连接结构，进一步丰富重构HR图像信息流。实验结果表明，我们的算法有效提高了COVID-19 CT图像的SR重建效果，更清晰地还原了其细节特征，大大提高了算法的实用性。我们设计了一个双 U-Net 模块 (DUM)，它可以有效地提取低分辨率 (LR) COVID-19 CT 图像特征。其次，DUM 模块首先执行 3 次 up-block，然后执行 3 次 down-block，以便更有效地学习高分辨率 (HR) 和 LR 图像之间的相互依赖性。最后，在DUM模块中引入局部跳跃连接结构，在重构层引入全局长跳跃连接结构，进一步丰富重构HR图像信息流。实验结果表明，我们的算法有效提高了COVID-19 CT图像的SR重建效果，更清晰地还原了其细节特征，大大提高了算法的实用性。我们设计了一个双 U-Net 模块 (DUM)，它可以有效地提取低分辨率 (LR) COVID-19 CT 图像特征。其次，DUM 模块首先执行 3 次 up-block，然后执行 3 次 down-block，以便更有效地学习高分辨率 (HR) 和 LR 图像之间的相互依赖性。最后，在DUM模块中引入局部跳跃连接结构，在重构层引入全局长跳跃连接结构，进一步丰富重构HR图像信息流。实验结果表明，我们的算法有效提高了COVID-19 CT图像的SR重建效果，更清晰地还原了其细节特征，大大提高了算法的实用性。DUM 模块首先执行 3 次 up-block，然后执行 3 次 down-block，以便更有效地学习高分辨率 (HR) 和 LR 图像之间的相互依赖性。最后，在DUM模块中引入局部跳跃连接结构，在重构层引入全局长跳跃连接结构，进一步丰富重构HR图像信息流。实验结果表明，我们的算法有效提高了COVID-19 CT图像的SR重建效果，更清晰地还原了其细节特征，大大提高了算法的实用性。DUM 模块首先执行 3 次 up-block，然后执行 3 次 down-block，以便更有效地学习高分辨率 (HR) 和 LR 图像之间的相互依赖性。最后，在DUM模块中引入局部跳跃连接结构，在重构层引入全局长跳跃连接结构，进一步丰富重构HR图像信息流。实验结果表明，我们的算法有效提高了COVID-19 CT图像的SR重建效果，更清晰地还原了其细节特征，大大提高了算法的实用性。在DUM模块中引入局部跳跃连接结构，在重构层引入全局长跳跃连接结构，进一步丰富重构的HR图像信息流。实验结果表明，我们的算法有效提高了COVID-19 CT图像的SR重建效果，更清晰地还原了其细节特征，大大提高了算法的实用性。在DUM模块中引入局部跳跃连接结构，在重构层引入全局长跳跃连接结构，进一步丰富重构的HR图像信息流。实验结果表明，我们的算法有效提高了COVID-19 CT图像的SR重建效果，更清晰地还原了其细节特征，大大提高了算法的实用性。