论文部分内容阅读
针对深度神经网络参数量大、严重消耗硬件运算资源的问题,提出一种改进型的UNet相位图像解缠绕的轻量化网络模型(G-UNet).该网络利用Ghost卷积构建GhostBlock模块,实现不同卷积层间的线性变换,再由GhostBlock构建多层的G-UNet网络,该算法有效地减小网络模型的总参数量,与传统UNet相比,G-UNet浮点计算量大幅减少.实验基于不同回波时间下仿真人脑的磁共振相位图,以UNet和传统相位解缠绕拉普拉斯算法作为对比算法,结果表明,提出的加速算法不仅可有效地进行相位解缠绕,获得与UNet相近且高于拉普拉斯算法的峰值信噪比和结构相似度,同时参数量及浮点计算量较UNet减少了近80％.