医学图像的质量对于医生进行病情的分析与诊断有着重要的影响,但是由于受仪器设备以及环境条件等因素的限制,有时无法获得较清晰的医学图像,从而会对病情的正确分析与理解造成一定的影响。通过利用一幅或者多幅低分辨率图像重建出高分辨率图像的过程被称为是图像超分辨率重建。将超分辨率重建技术应用到医学图像领域来提高医学图像的整体清晰度,改善医学图像的质量,对于病情的诊断与治疗具有重要的意义。随着深度学习的快速发展,其在图像分类和人脸识别等计算机视觉领域取得了巨大的成功,近年来,相比传统算法,将深度学习应用于超分辨率重建中可以获得更好的效果。本文以提高医学图像的重建质量与重建速度为核心,针对目前基于卷积神经网络的超分辨率重建算法中存在的问题展开研究,主要研究工作包括:(1)基于深层残差网络的医学图像超分辨率重建:针对基于卷积神经网络的超分辨率重建算法中存在的网络模型简单,特征提取不充分,纹理细节模糊等问题,为充分提高医学图像的清晰度,使用一种深层残差网络模型,首先通过加深卷积神经网络的深度来充分提取图像的细节特征,然后使用全局残差网络结构来加快深层网络收敛,避免梯度消失,最后通过选取合适的医学图像数据集并进行混合训练以减少参数数量。实验结果表明,此算法在主观视觉以及客观评价指标上都取得了良好的效果,对于医生提高诊断质量具有一定意义。(2)基于亚像素卷积的快速医学图像超分辨率重建:针对网络结构加深导致模型复杂度增加,速度减慢的问题,提出一个基于亚像素卷积的快速网络模型,首先将不经过图像预处理步骤的原始低分辨率图像直接作为网络的输入来提取特征,大大降低了模型复杂度,然后在网络中加入局部残差单元来加快模型收敛,同时使用更加高效的Adam优化方法,最后在网络的末端使用亚像素卷积层来重新排列像素得到高分辨率图像。实验结果分析表明,所提算法不仅可以提高医学图像的清晰度,保证图像的重建质量,而且图像的重建速度也有所提高。