工业PET图像的超高分辨率重建,使用基于先前知识的生成对抗网络
Mingwei Zhu1, Min Zhao2, Min Yao2
1School of Mechanical Engineering, NanTong University, Nantong, 226019, Jiangsu, China. zhumingwei@nuaa.edu.cn.
Scientific reports
|January 6, 2026
概括
这项研究引入了一个新的生成对抗网络 (GAN) 用于正电子发射断层扫描 (PET) 超分辨率,显著提高工业非破坏性测试的图像质量并降低成本.
科学领域:
- 医疗成像医学成像
- 计算机视觉 计算机视觉
- 材料科学 材料科学 材料科学
背景情况:
- 定子断层扫描 (PET) 对于工业非破坏性测试至关重要,但其分辨率限制了准确性并增加了成本.
- 在PET中进行超分辨率重建旨在增强图像细节和降低费用,提供显著的研究价值.
研究的目的:
- 为工业PET图像开发一种基于生成对抗网络 (GAN) 的超分辨率模型.
- 通过结合先前的知识来解决现有方法的局限性,例如细节丢失和文物扭曲.
主要方法:
- 设计了一个纹理增强网络,从工业PET图像中提取详细的特征.
- 使用连接网络将纹理和超分辨率功能融合在一起,改善了纹理细节.
- 引入了纹理损失和超分辨率损失功能,以优化模型性能.
主要成果:
- 提出的基于GAN的模型显著提高了超分辨率PET图像的视觉质量.
- 与现有算法相比,客观评估指标证实了图像质量的改善.
- 该方法通过在工业检测场景中的验证证明了其实际有效性.
结论:
- 开发的超分辨率模型有效地提高了工业PET图像的质量.
- 结合先前的知识和专业网络,解决了PET超分辨率的关键挑战.
- 经过验证的方法为增强工业非破坏性测试应用提供了有价值的工具.
