摘要：现有的多尺度多阶段图像去模糊方法存在多尺度图像特征提取利用不充分和阶段加深导致特征信息丢失的问题。针对上述问题,提出了一种基于增强多尺度特征网络的图像去模糊方法。首先,提出一个多尺度残差特征提取模块,在两个分支中使用不同大小的卷积核扩大感受野,充分提取不同分辨率大小图像的特征信息。其次,提出跨阶段注意力模块,过滤和传递图像的关键特征。最后,设计类似于跳跃连接的跨阶段特征融合模块,弥补特征损失,同时融合来自不同大小输入图像的特征信息,丰富空间特征信息,以更好地处理纹理细节。在GoPro和HIDE数据集上的实验结果表明,所提方法能够很好地重建图像。

摘要：目的建立基于膝关节MRI单张图像的深度卷积神经网络(DCNN)模型,并分析其诊断前交叉韧带(ACL)撕裂的价值。方法收集2017年1月1日—2022年6月30日海军第971医院GreatPACS影像存档与通信系统中1663例受检者的膝关节MRI图像,经一名骨科专科医生在每例患者MRI图像中手动选取1张图像并进行ACL正常或撕裂(正常1111张,撕裂552张)标注。将所有图像按照83%和17%的比例随机分配到训练集(1383张)和测试集(280张)中,用以训练并测试搭建的ACL智能诊断DCNN模型。通过阳性预测值(PPV)、阴性预测值(NPV)、准确率、灵敏度、特异度、受试者工作特征曲线下面积(AUC)等指标评估模型性能。结果本研究成功设计并搭建了ACL智能诊断DCNN模型。该模型诊断ACL撕裂的PPV、NPV、准确率、灵敏度和特异度分别为52.99%、88.96%、73.93%、77.50%和72.50%,AUC值为0.602。结论基于MRI单张图像DCNN模型对于临床医生诊断ACL撕裂具有一定的辅助作用。