01
医疗影像超分辨率概述
什么是超分辨率 · 为什么医疗需要SR · CT/MRI/超声场景 · 课程框架
概述应用场景
02
图像退化模型与数学基础
降质过程(模糊/下采样/噪声) · 数学建模 · PSNR & SSIM
数学评价指标
03
传统插值方法
最近邻/双线性/双三次插值 · 医疗影像局限性分析
插值经典
04
基于重建的超分辨率方法
IBP · POCS · MAP 原理与对比
重建传统
05
深度学习基础回顾
CNN核心 · 激活函数 · 损失函数 · 优化器选择
深度学习基础
06
SRCNN
首个深度学习SR网络 · 结构详解 · 医疗训练技巧
CNN开山之作
07
VDSR与DRRN
深度残差学习 · 极深网络 · 梯度裁剪与残差缩放
残差深层
08
ESPCN与亚像素卷积
亚像素卷积原理 · 实时超分 · 超声加速应用
实时亚像素
09
SRGAN与感知损失
生成对抗网络 · 感知/对抗损失 · 纹理重建挑战
GAN感知
10
EDSR与MDSR
增强深度SR · 多尺度超分 · MRI各向同性重建
多尺度增强
11
RCAN与通道注意力
残差通道注意力 · 模块详解 · 低剂量CT去噪+超分
注意力通道
12
SAN与二阶注意力
二阶通道注意力 · 非局部融合 · PET影像超分
二阶非局部
13
HAN与分层注意力
分层注意力网络 · 层级特征融合 · 病理切片超分
分层病理
14
SwinIR与Transformer
Swin Transformer · 窗口注意力 · 对比CNN实验
TransformerSwin
15
Restormer与高效Transformer
高效多头注意力 · 门控机制 · 去模糊+超分联合
高效门控
16
扩散模型用于超分辨率
DDPM原理 · 条件扩散 · 医疗影像生成探索
扩散模型生成
17
无监督与自监督超分辨率
ZSSR · 内部学习 · 双降质循环一致性 · 无配对数据
无监督自监督
18
盲超分辨率
模糊核估计 · 退化未知 · 真实医疗场景鲁棒性
盲SR鲁棒
19
视频超分辨率
时序信息 · 光流对齐 · 可变形卷积 · 动态MRI/超声
视频时序
20
3D超分辨率
3D卷积 · 各向同性重建 · CT/MRI体素超分
3D体数据
21
多模态融合超分辨率
PET/CT · MRI多序列融合 · 跨模态对齐与融合
多模态融合
22
轻量化超分辨率模型
MobileSR · ESPCN变体 · 知识蒸馏 · 边缘部署
轻量部署
23
数据增强与预处理
医学影像标准化 · 扩增策略 · 配对生成 · 伪影模拟
数据增强
24
损失函数设计
L1/L2 · 感知/对抗 · 频率域 · 边缘保持 · SSIM损失
损失设计
25
评价指标深入
PSNR/SSIM/LPIPS/FID/NIQE/BRISQUE · 临床相关性
指标临床
26
临床案例一：低场强MRI
0.5T→3T重建 · 诊断一致性评估
MRI低场强
27
临床案例二：低剂量CT
超分+去噪联合 · 辐射剂量降低50%
CT低剂量
28
临床案例三：超声影像
斑点噪声抑制 · 边缘增强 · 胎儿筛查
超声斑点
29
临床案例四：病理切片
20x→40x等效放大 · 辅助病理诊断可行性
病理切片
30
课程总结与前沿展望
技术瓶颈 · 可解释性 · 联邦学习 · FDA认证 · 未来方向
总结前沿