毕业设计基于深度学习的图像超分辨率重建及其在医学影像上的应用项目源码+文档说明

# 基于深度学习的图像超分辨率重建及其在医学影像上的应用 <p align="center"><img src="https://z3.ax1x.com/2021/05/18/ghOSC4.png"></img></p> 这是我的本科毕业设计。 ## 组成部分 - **前言** 介绍图像超分辨率问题、研究现状、前景，介绍在医学图像上进行超分辨率的重要性。 - **自然图像上的超分辨率研究** 在 DIV2K 数据集（800 train + 100 val）进行实验。选取 baseline 模型为 ESPCN、DWSR、EDSR。针对这些模型的不足之处，提出改进：使用小波 + U-Net + 感知损失多任务学习的 LU-MWCNN模型，达到超越 baseline 的效果。 - **医学图像上的超分辨率应用** 在 DeepLesion 数据集（CT 图像）的 Key_slices 上进行实验，同样与 baseline 模型进行对比。提出 CT-LPIPS，利用一个类 VGG 网络训练。 - **医学图像超分辨率平台开发** 以 CT 图像为例，搭建 Web 服务，借助 Cornerstone.js 库，医生可预览 DICOM，或将图像发送至后端重建服务，以获得超分辨完成的结果。后端采用 Flask + PyTorch 进行部署和实时推理。 - **总结** ## 目录结构 ### baselines / 基线模型 - 修改 `config/common.py`，选择数据集和输出路径。目前提供的数据集接口有 - div2k.DIV2KDataset - deeplesion.DeepLesionDataset - 训练 ```bash $ cd script $ chmod 755 * $ ./train_dwsr.sh div2k # ./train_<model>.sh <data> # 修改脚本可以指定 GPU 编号 ``` - 验证结果、权重、TensorBoard 日志会输出在 `output_<data>/<model>`下 ### experiment / 小型实验与绘图 - bicubic-learnable：揭示双三次插值劣于可学习过程上采样。 - calc-ct-lpips：CT-LPIPS的集中计算。 - curve-merge：曲线绘制与原始数据。 - deeplesion-sample：DeepLesion效果取样。 - div2k-sample：DIV2K效果取样。 - haar-wavelet：哈尔小波变换样例。 - param-count：参数量统计。 - ycbcr：YCbCr色彩空间示意。 ### nova / 改进与创新 - lu_mwcnn 小波 U-Net + 多任务学习，超越 baseline。 ```bash $ chmod 755 *.sh $ ./trian_div2k.sh # ./train_deeplesion.sh ``` - ct_lpips CT 图的感知损失（使用轻量化的类 VGG 网络）。 ```bash $ chmod 755 *.sh $ ./trian.sh ``` - ablation 消融实验相关。 ```bash $ chmod 755 *.sh $ ./train_div2k.sh $ ./test_manual.sh ``` ### paper / 文本材料 ``` . ├── README.md ├── material ~~~ 流程材料 ├── thesis ~~~ 毕业论文 └── translation ~~~ 外文文献翻译 ``` ### platform / 平台开发 - frontend 超分辨率平台前端。 ```bash $ npm install # 配置 /ct-sr/script/config.js $ npm run dev # development $ npm run pack # production ``` - backend 超分辨率平台后端。 ```bash $ python main.py ``` ### requirement / 环境说明 包括服务器（训练、部署）和本地机器（小型实验、客户端）的 Anaconda 库配置和 pip 库配置。