[發(fā)明專利]基于多尺度融合CNN的磁共振圖像超分辨率重建方法

有效

• 申請(qǐng)?zhí)枺?/td>: 201710689598.3
• 申請(qǐng)日: 2017-08-14
• 公開(kāi)（公告）號(hào): CN107610194B
• 公開(kāi)（公告）日: 2020-08-04
• 發(fā)明（設(shè)計(jì)）人: 劉昶;吳錫;周激流;郎方年;于曦;趙衛(wèi)東
• 申請(qǐng)（專利權(quán)）人: 成都大學(xué)
• 主分類(lèi)號(hào): G06T11/00
• 分類(lèi)號(hào): G06T11/00;G06N3/08;G06N3/04
• 代理公司: 成都智涌知識(shí)產(chǎn)權(quán)代理事務(wù)所(普通合伙) 51313
• 代理人: 周正輝

1.一種基于多尺度融合CNN的磁共振圖像超分辨率重建方法，其特征在于，所述方法包括：

步驟1：對(duì)低分辨率結(jié)構(gòu)磁共振圖像和與其對(duì)應(yīng)的高分辨率結(jié)構(gòu)磁共振圖像進(jìn)行預(yù)處理操作，并構(gòu)建訓(xùn)練數(shù)據(jù)集和標(biāo)簽數(shù)據(jù)集；

步驟11：輸入標(biāo)準(zhǔn)格式的低分辨率結(jié)構(gòu)磁共振圖像和高分辨率結(jié)構(gòu)磁共振圖像，進(jìn)行格式轉(zhuǎn)換；

步驟12：將步驟11中轉(zhuǎn)換后的所述低分辨率結(jié)構(gòu)磁共振圖像和所述高分辨率結(jié)構(gòu)磁共振圖像移除頭骨部分，只保留腦區(qū)部分；

步驟13：對(duì)步驟12中移除頭骨后的所述低分辨率結(jié)構(gòu)磁共振圖像和所述高分辨率結(jié)構(gòu)磁共振圖像進(jìn)行歸一化處理，將其歸一化到[0-1]區(qū)間；

步驟14：對(duì)步驟13中歸一化處理后的分辨率結(jié)構(gòu)磁共振圖像和所述高分辨率結(jié)構(gòu)磁共振圖像采用滑動(dòng)窗口方式在每層上依次分別提取多個(gè)二維圖像塊，其中由低分辨率圖像塊構(gòu)成訓(xùn)練數(shù)據(jù)集，高分辨率圖像塊構(gòu)成標(biāo)簽數(shù)據(jù)集；

步驟2：構(gòu)建融合多尺度信息卷積神經(jīng)網(wǎng)絡(luò)，所述卷積神經(jīng)網(wǎng)絡(luò)包括一個(gè)輸入層、至少三個(gè)堆疊的多尺度融合單元和一個(gè)重構(gòu)層；

步驟21：所述輸入層用于接收所述訓(xùn)練數(shù)據(jù)集；

步驟22：構(gòu)建至少三個(gè)多尺度融合單元；

步驟23：構(gòu)建重構(gòu)層，所述重構(gòu)層為一個(gè)卷積核構(gòu)成的卷積層；

步驟3：將所述訓(xùn)練數(shù)據(jù)集輸入到步驟2構(gòu)建的卷積神經(jīng)網(wǎng)絡(luò)中進(jìn)行訓(xùn)練，獲得學(xué)習(xí)后的卷積神經(jīng)網(wǎng)絡(luò)模型；

步驟31：將所述訓(xùn)練數(shù)據(jù)集分成多批訓(xùn)練數(shù)據(jù)，并初始化卷積層和卷積層中卷積核權(quán)重的導(dǎo)數(shù)和偏置對(duì)損失函數(shù)的導(dǎo)數(shù)為0，即：

△W^(l)＝0

△b^(l)＝0

其中，W表示卷積核權(quán)重，b表示偏置對(duì)損失函數(shù)，l表示第l層；

步驟32：每次輸入一批訓(xùn)練數(shù)據(jù)與所述多尺度融合單元中各個(gè)節(jié)點(diǎn)參數(shù)進(jìn)行計(jì)算，實(shí)現(xiàn)神經(jīng)網(wǎng)絡(luò)訓(xùn)練的前向傳播，最后通過(guò)重構(gòu)層，獲得輸出高分辨率數(shù)據(jù)；

步驟33：利用歐式距離，計(jì)算輸出高分辨率數(shù)據(jù)與所述標(biāo)簽數(shù)據(jù)集的誤差：

其中，I，J表示圖像塊的尺寸；

步驟34：基于所述誤差，采用梯度下降法，反向計(jì)算卷積核權(quán)重和偏置對(duì)損失函數(shù)的導(dǎo)數(shù)和并將其累加到△W^(l)和△b^(l)，即：

步驟35：重復(fù)步驟32至步驟34，直到所有訓(xùn)練數(shù)據(jù)處理完畢，完成一次迭代，根據(jù)上述△W^(l)和△b^(l)，采用批量梯度下降算法，得到更新后網(wǎng)絡(luò)參數(shù)，數(shù)學(xué)表示如下：

其中，m表示訓(xùn)練數(shù)據(jù)的批數(shù)，α為學(xué)習(xí)率，λ為動(dòng)能；

步驟36：重復(fù)步驟32至步驟35，直到達(dá)到由偏置對(duì)損失函數(shù)來(lái)決定的迭代次數(shù)；

步驟4：將測(cè)試低分辨率結(jié)構(gòu)磁共振圖像輸入到步驟3訓(xùn)練好的卷積神經(jīng)網(wǎng)絡(luò)中，輸出重建高分辨率結(jié)構(gòu)磁共振圖像；

步驟41：將測(cè)試低分辨率結(jié)構(gòu)磁共振圖像的每一層直接輸入步驟3訓(xùn)練好的卷積神經(jīng)網(wǎng)絡(luò)模型中的輸入層；

步驟42：將步驟41接收的測(cè)試低分辨率結(jié)構(gòu)磁共振圖像輸入到學(xué)習(xí)好的卷積神經(jīng)網(wǎng)絡(luò)模型中，從前向后進(jìn)行運(yùn)算，最后在重構(gòu)層輸出重建高分辨率圖像。

2.如權(quán)利要求1所述的超分辨率重建方法，其特征在于，所述多尺度融合單元包括主路徑、至少一條子路徑和融合層，所述主路徑由一個(gè)卷積層加一個(gè)ReLU激活函數(shù)構(gòu)成，所述子路徑由一個(gè)卷積層加一個(gè)ReLU激活函數(shù)依次交替構(gòu)成，并且最后一層為卷積層，所述融合層將所述主路徑和所述子路徑的輸出通過(guò)相加融合以輸出到下一個(gè)多尺度融合單元。